repository.its.ac.idrepository.its.ac.id/48921/1/5112201002-undergraduate... · 2017. 10. 5. · xi...

TESIS – KI142502

MODIFIKASI METODE MULTISCALE ARCH HEIGHT (M-MARCH) UNTUK TEMU KEMBALI CITRA DAUN BERDASARKAN BENTUK TEPI DAN RUAS TULANG DAUN Mirza Galih Kurniawan 5112201002 DOSEN PEMBIMBING Dr. Nanik Suciati, S.Kom, M.Kom. Dr. Chastine Fatichah, S.Kom, M.Kom. PROGRAM MAGISTER JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2016

iii

TESIS – KI142502

MODIFIED MULTISCALE ARCH HEIGHT (M-MARCH) METHOD FOR LEAVES IMAGE RETRIEVAL BASED ON CONTOUR AND VEIN Mirza Galih Kurniawan 5112201002 SUPERVISOR Dr. Nanik Suciati, S.Kom, M.Kom. Dr. Chastine Fatichah, S.Kom, M.Kom. MASTER PROGRAM DEPARTMENT OF INFORMATICS FACULTY OF INFORMATION TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2016

xi

KATA PENGANTAR

Segala puji bagi Allah SWT sehingga buku tesis ini dapat diselesaikan

dengan baik. Meski dalam menyelesaikan buku ini banyak ditemui kesulitan,

namun berkat bantuan dan bimbingan berbagai pihak, akhirnya Penulis berhasil

menyelesaikan buku ini. Sholawat dan salam semoga selalu tercurahkan kepada

Nabi Muhammad SAW. Pada kesempatan ini Penulis ingin mengucapkan terima

kasih kepada pihak-pihak yang membantu penulis dalam penulisan buku tesis ini

sebagai berikut.

1. Kepada Keluarga Penulis, Ibu, Ayah, Istri serta Kakak dan Adik Penulis yang

telah memberikan doa, pengertian, dukungan, dan pengorbangan yang besar

selama Penulis menyelesaikan studi ini.

2. Kepada Dosen Pembimbing Dr. Nanik Suciati, S.Kom, M.Kom, dan Dr.

Chastine Fatichah, S.Kom, M.Kom, M.Comp.Sc yang dengan sabar

membimbing penulis, sehingga Penulis dapat menyelesaikan tesis ini.

3. Kepada para Dosen Penguji Dr. Agus Zainal Arifin, S.Kom, M.Kom., Anny

Yuniarti, S.Kom,M.Comp.Sc., dan Darlis Herumurti,S.Kom., M.Kom. yang

telah memberikan masukan berharga.

4. Kepada teman seperjuangan dan seangkatan terutama group “MIF ITS 2012

Perjuangan” yang telah menjadi teman diskusi yang baik sekaligus sebagai

tempat untuk mencari motivasi.

5. Kepada teman-teman di Kantor Disperdagin Surabaya dan Kuryotech

Indonesia, atas pengertian dan kerjasamanya.

6. Kepada staf administrasi Program Pascasarjana Teknik Informatika, atas

pengertian dan kebijaksanaannya dalam proses pengurusan administrasi.

7. Kepada teman-teman lain yang tidak bisa Penulis sebutkan satu-persatu,

terima kasih atas segala bantuan, baik berupa ide, gagasan, pemikiran, atau

bahkan sekedar kesediaan mendengarkan keluh kesah Penulis.

xii

Akhirnya, Penulis berharap, buku laporan tesis ini dapat memberikan

kontribusi ilmiah bagi khasanah pengembangan riset di bidang Komputasi Cerdas

dan Visual.

Surabaya, Rabi Al-Awwal 1437 H

Januari 2016 M

Mirza Galih Kurniawan

vii

Modifikasi Metode Multiscale Arch Height (M-MARCH) Untuk Temu

Kembali Citra Daun Berdasarlam Bentuk Tepi dan Ruas Tulang Daun

Nama Mahasiswa

NRP

Pembimbing

:

:

:


5112201002

Dr. Nanik Suciati, S.Kom, M.Kom.

Dr. Chastine Fatichah, S.Kom, M.Kom.

ABSTRAK

Sistem temu kembali citra daun memiliki peran penting dalam lingkup

botani. Saat ini kurang lebih terdapat 400.000 spesies tumbuhan yang telah

dikenali di mana 270.000 diantaranya sudah diidentifikasi dan diberi nama.

Dengan besarnya jumlah spesies yang ada maka pengenalan spesies tumbuhan

secara manual akan sulit dilakukan. Sistem temu kembali citra digital dapat

membantu proses pengenalan spesies tumbuhan dengan mengukur kedekatan

antara citra kueri dengan citra yang berada pada database. Smartphone merupakan

alat komputasi yang ideal untuk penerapan sistem temu kembali citra daun

mengingat habitat tumbuhan terdapat pada alam bebas.

Salah satu metode yang unggul diterapkan pada smartphone adalah metode

Multiscale Arch Height (MARCH), metode ini membutuhkan komputasi yang

rendah dan invariant terhadap penskalaan, translasi dan rotasi. MARCH

mengekstraksi bentuk daun menjadi vektor fitur yang merupakan kumpulan tinggi

lengkungan pada tiap titik pada kontur. Metode MARCH tidak merepresentasikan

karakteristik region/intrisik dalam daun, padahal ada beberapa spesies tumbuhan

yang mempunyai pola kontur yang hampir sama.

Pada penelitian ini dikembangkan metode ekstraksi fitur tepi dan ruas tulang

daun yang lebih efektif dengan melakukan modifikasi terhadap metode MARCH.

Vektor fitur didapatkan dari tinggi lengkungan suatu titik pada kontur daun, di

mana titik tersebut merupakan titik convex hull dari kontur daun serta titik convex

hull dari kontur tulang daun. Metode Modifikasi MARCH menghasilkan akurasi

yang lebih tinggi dibandingkan metode MARCH karena karakteristik

region/intrisik dalam daun juga terakomodasi dengan digunakannya fitur ruas

tulang daun.

Pengujian metode yang diusulkan dilakukan dengan membandingkan nilai

Mean Average Precession (MAP) dan waktu komputasi antara MARCH dengan

metode yang diusulkan. Dataset yang digunakan adalah Flavia leaf dataset. Dari

penelitian yang sudah dilakukan didapatkan nilai rata – rata MAP untuk metode

Modified MARCH lebih tinggi dibanding metode MARCH sebesar 0.74% : 0.70%.

sedangkan perbandingan waktu komputasi Modified MARCH sedikit lebih lama

dibanding metode MARCH yaitu 1060 ms dibanding 864 ms dengan selisih 196

ms.

Kata Kunci: CBIR, Klasifikasi Tumbuhan, MARCH, Modified MARCH

ix

Modified Multiscale Arch Height (M-MARCH) Method for Leaves Image

Retrieval System Based on Contour and Vein

Student Name

Student Identity Number Supervisor

:

:

:


5112201002

Dr. Nanik Suciati, S.Kom, M.Kom.

Dr. Chastine Fatichah, S.Kom, M.Kom.

ABSTRACT

leaves Image retrieval has an important role in the sphere of botany. there

are approximately 400,000 plant species where 270,000 are already identified.

With the large amount of existing species, manual identification would be difficult

to do. Digital image retrieval system can assist the identification by measuring the

similarities between query image and the image that is on database. Smartphone is

a ideal computational tool for leaves image retrieval system, considering the

plants habitat is in the wild.

One of the preeminent method applied to the smartphone is MARCH, this

method requires a low computation, scale, translation and rotation invariant.

MARCH extract shape leaves into a feature vector that consist collection of high

curvature at each point of the countur of the leaf. MARCH does not represent

region characteristics of the leaves while there are several species of plants have

almost the same contour patterns.

This research develop a more effective method to extract leaves contour

and vein from modification of MARCH methode.The modification is on

positioning stages of the arch will be extracted and the addition MARCH

application in bone leaves. The feature vector obtained from the high curvature of

a point on the contour of the leaves, where a point is a point of the convex hull of

the contour of the leaves as well as the convex hull of the point of the bone

contour leaves. MARCH modification method is expected to produce a higher

accuracy than the method because of the characteristics of the region MARCH /

intrinsic in the leaves also accommodated with use features vertebrae leaves.

The evaluation is done by comparing the Mean Average value of

Precession (MAP) and the computing time between MARCH with the proposed

method. This research using Flavia leaf as Datasets. from the evaluation, obtained

MAP value for Modified MARCH method is higher than MARCH which

comparison is 0.74%: 0.70%. Whereas the Modified MARCH computing time is

slightly longer than MARCH (1060 ms compared to 864 ms) with 196 ms

difference.

Keywords : CBIR, Plant Identification, MARCH, Modified MARCH.

xiii

DAFTAR ISI

ABSTRAK ............................................................................................................ vii

ABSTRACT ........................................................................................................... ix

DAFTAR ISI ........................................................................................................ xiii

DAFTAR GAMBAR .......................................................................................... xvii

DAFTAR TABEL ................................................................................................ xix

BAB 1 PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ...................................................................................... 1

1.2 Perumusan Masalah .............................................................................. 3

1.3 Batasan Masalah.................................................................................... 4

1.4 Tujuan Penelitian .................................................................................. 4

1.5 Manfaat Penelitian ................................................................................ 4

1.6 Kontribusi Penelitian ............................................................................. 4

BAB 2 KAJIAN PUSTAKA .................................................................................... 5

2.1 Content Based Image Retrieval ............................................................. 5

2.2 Klasifikasi Tumbuhan ........................................................................... 5

2.3 Karakteristik Daun ................................................................................ 7

2.4 Smartphone ........................................................................................... 8

2.5 Ekstraksi Fitur Pada Citra Digital ......................................................... 9

2.6 Convex hull pada Kumpulan Koordinat ................................................ 9

2.7 Ekstraksi Kerangka Tulang Daun dengan metode Morphology ......... 10

2.8 Ekstraksi Kontur Menggunakan Metode Canny ................................. 10

2.9 Discrete Fourier Transform ................................................................ 11

2.10 Multi Scale Arch height ..................................................................... 12

2.10.1 Ekstraksi Kontur ............................................................................ 13

2.10.2 Arch Height .................................................................................... 13

2.10.3 K-Scale Arch Height ..................................................................... 14

2.10.4 Vektor Fitur pada MARCH............................................................ 14

2.10.5 Eccentricity, Solidity dan Rectangularity ...................................... 15

2.10.6 Pengukuran jarak vektor fitur pada MARCH ................................ 15

xiv

BAB 3 METODE PENELITIAN .......................................................................... 17

3.1 Studi Literatur dan Analisa Awal ........................................................ 17

3.2 Modified MARCH ................................................................................ 18

3.3 Desain Sistem ...................................................................................... 19

3.3.1 Input Sistem ...................................................................................... 20

3.3.2 Konversi Gray Scale ......................................................................... 21

3.3.3 Ekstraksi Kontur Daun ..................................................................... 21

3.3.3.1 Blurring (Pengaburan Citra) .......................................................... 22

3.3.3.2 Binary Thresholding ...................................................................... 22

3.3.3.3 Ekstraksi Kontur dengan Metode Canny ....................................... 23

3.3.4 Convex hull Kontur Daun ................................................................. 24

3.3.5 Ekstraksi Tulang daun ...................................................................... 25

3.3.5.1 Proses Blur ..................................................................................... 26

3.3.5.2 Zheng Method ................................................................................ 26

3.3.5.3 Penghilangan Kontur ..................................................................... 26

3.3.6 Convex hull Ruas Tulang Daun ....................................................... 26

3.3.7 Ekstraksi Vektor Fitur dengan MARCH Descriptor ......................... 26

3.3.8 Pengukuran Similaritas Vektor Fitur ................................................ 27

3.4 Implementasi Sistem ........................................................................... 27

3.5 Pengujian dan Analisa hasil ................................................................. 28

BAB 4 IMPLEMENTASI METODE ................................................................... 31

4.1 Implementasi ....................................................................................... 31

4.1.1 Load File Path Dataset Ke Database ................................................ 31

4.1.2 Ekstraksi Fitur .................................................................................. 33

4.1.3 Load Citra Masukan ......................................................................... 34

4.1.4 Ekstraksi Kontur Daun ..................................................................... 35

4.1.4.1 Konversi Grayscale dan proses Blur ............................................ 35

4.1.4.2 Binary Threshold ........................................................................... 36

4.1.4.3 Ekstraksi Kontur Daun dengan Metode Canny ............................. 37

4.1.5 Convex hull pada Kontur Daun ....................................................... 38

4.1.6 Ekstraksi Kerangka Tulang Daun Menggunakan Morfologi .......... 39

4.1.7 Convex hull pada Ruas Tulang Daun ............................................... 40

xv

4.1.8 Operasi MARCH............................................................................... 42

4.1.9 Implementasi Webservice pada Webserver .................................... 45

4.1.10 Implementasi pada Smartphone .................................................... 47

BAB 5 HASIL PENELITIAN DAN PEMBAHASAN ......................................... 51

5.1 Lingkungan Uji Coba .......................................................................... 51

5.2 Karakteristik Data dan Skenario Uji Coba .......................................... 51

5.2.1 Hasil Uji Coba Skenario I ................................................................ 52

5.2.2 Hasil Uji Coba Skenario II ............................................................... 56

5.3 Analisa Hasil ...................................................................................... 59

BAB 6 KESIMPULAN DAN SARAN ................................................................. 61

6.1 Kesimpulan ......................................................................................... 61

6.2 Saran .................................................................................................... 61

DAFTAR PUSTAKA ............................................................................................ 63

BIODATA PENULIS ............................................................................................ 65

LAMPIRAN ........................................................................................................... 67

xvi

[Halaman ini sengaja dikosongkan]

xvii

DAFTAR GAMBAR

Gambar 2.1 Diagram CBIR..................................................................................... 5

Gambar 2.2 Perbedaan Garis Besar Daun Dikotil dan Monokotil .......................... 8

Gambar 2.3 Ilustrasi Metode MARCH .................................................................. 13

Gambar 3.1 Tahapan Penelitian ............................................................................ 17

Gambar 3.2 Ilustrasi Metode MARCH .................................................................. 18

Gambar 3.3 Ilustrasi Metode Modified MARCH................................................... 19

Gambar 3.4 Alur Proses Modifed MARCH ........................................................... 20

Gambar 3.5 Alur Proses Ekstraksi Kontur Daun .................................................. 21

Gambar 3.6 Alur Proses Metode Canny ................................................................ 23

Gambar 3.7 Alur Ekstraksi Kerangka Tulang Daun ............................................. 25

Gambar 3.8 Diagram Desain Implementasi Sistem .............................................. 28

Gambar 4.1 Metode untuk Menyimpan Path Dataset Ke Database ..................... 32

Gambar 4.2 Metode proses ekstraksi fitur dari dataset ......................................... 34

Gambar 4.3 Metode Load Citra Input ................................................................... 34

Gambar 4.4 Hasil Load Salah Satu Citra Input dari dataset ................................. 34

Gambar 4.5 Metode untuk pengaburan citra dan konversi ke grayscale .............. 35

Gambar 4.6 Hasil proses blur dan konversi ke grayscale ..................................... 36

Gambar 4.7 Metode Binary Threshold.................................................................. 36

Gambar 4.8 Hasil proses Binary Thresholding ..................................................... 36

Gambar 4.9 Metode Ekstraksi Kontur dengan Canny .......................................... 37

Gambar 4.10 Hasil Proses Ekstraksi Kontur dengan Canny ................................. 38

Gambar 4.11 Metode convex hull pada kontur daun............................................. 38

Gambar 4.12 Metode Ekstraksi Kerangka Tulang ................................................ 39

Gambar 4.13 Hasil Ekstraksi Kerangka Tulang .................................................... 40

Gambar 4.14 Metode Convex hull pada Ruas Tulang Daun ................................. 41

Gambar 4.15 Hasil Metode Convex hull pada Ruas Tulang Daun ....................... 42

Gambar 4.16 Metode Hitung Nilai K .................................................................... 42

Gambar 4.17 Metode Hitung Nilai Arch height .................................................... 43

Gambar 4.18 Metode Hitung Nilai Beta ............................................................... 43

Gambar 4.19 Metode Hitung Nilai Alfa ............................................................... 44

xviii

Gambar 4.20 Metode DFT ................................................................................... 45

Gambar 4.21 Metode Hitung Similaritas .............................................................. 45

Gambar 4.22 Implementasi Webservice pada Webserver .................................... 46

Gambar 4.23 Implementasi pada Aplikasi Desktop Server ................................... 47

Gambar 4.24 Kode Implementasi pada Smartphone ............................................. 49

Gambar 4.25 Implementasi pada Smartphone ....................................................... 49

Gambar 5.1 Grafik Hasil Uji Coba Skenario I (10 Peringkat Hasil) ..................... 55



Gambar 5.4 Grafik Hasil Uji Coba Skenario II ..................................................... 58

Gambar 5.5 Citra Indigofera tinctoria L. - Japanese maple……………………..59

Gambar 5.6 Citra Daun Cinnamomum japonicum Sieb………………………… …60

xix

DAFTAR TABEL

Tabel 2.1 Ciri Pembeda Tumbuhan Dikotil dan Monokotil ................................... 7

Tabel 5.1 Hasil Uji Coba Skenario I ..................................................................... 52

Tabel 5.2 Hasil Uji Coba Skenario I Cara II ......................................................... 56

Tabel 5.3 Hasil Uji Coba Waktu Komputasi Pada Smartphone ........................... 57

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Sistem temu kembali citra memiliki peran penting dalam lingkup botani.

Kurang lebih terdapat 400.000 spesies tumbuhan yang telah dikenali di mana

270.000 di antaranya sudah diidentifikasi dan diberi nama (Wang, 2008). Dengan

besarnya jumlah spesies yang ada maka pengenalan spesies tumbuhan secara

manual akan sulit dilakukan. Sistem temu kembali citra dapat membantu proses

pengenalan spesies tumbuhan dengan memberikan informasi terkait spesies

tumbuhan yang relevan dan telah dikenali sebelumnya dalam database

berdasarkan citra kueri dari spesies yang dicari.

Dasar pengenalan spesies tumbuhan adalah kesamaan ciri biometrik yang

dapat dibandingkan antara satu spesies tumbuhan dengan spesies tumbuhan

lainnya. Dalam ilmu taksonomi, klasifikasi tumbuhan umumnya dilakukan

berdasarkan daun dan bunga. Proses pengenalan tumbuhan secara otomatis

banyak menggunakan daun sebagai ciri biometrik yang dipakai. Hal ini

dikarenakan daun cenderung memiliki bentuk 2 dimensi yang akan lebih mudah

diolah dan akan memerlukan komputasi relatif lebih rendah dibanding untuk

pengolahan objek tiga dimensi (Wang, 2015).

Untuk penerapan sistem temu kembali citra daun, diperlukan suatu alat

komputasi yang tepat. Alat komputasi tersebut harus memiliki sifat portabilitas

yang tinggi, mengingat habitat tumbuhan yang berada di alam bebas. Salah satu

alat komputasi yang saat ini hampir dimiliki oleh setiap orang dan selalu dibawa

oleh penggunanya adalah smartphone. Hampir semua smartphone sudah

dilengkapi dengan kamera sehingga smartphone dapat dijadikan alat komputasi

yang efektif untuk pengenalan tumbuhan. Hal ini memungkinkan setiap orang

dapat mengenali jenis tumbuhan melalui citra daun yang diambil dari kamera

pada smartphone.

2

Berbeda dengan komputer pada umumnya, smartphone memiliki sumber

daya yang terbatas. Oleh karena itu, tidak setiap metode identifikasi tumbuhan

yang unggul diterapkan pada komputer dapat berjalan dengan baik pula jika

diterapkan pada smartphone. Metode yang diterapkan untuk identifikasi tumbuhan

pada smartphone harus memperhatikan batasan sumber daya yang ada antara lain

jumlah RAM, kemampuan komputasi dan daya. Untuk itu diperlukan metode

yang efesien dan efektif.

Metode pengenalan spesies tumbuhan di mana digunakan citra daun sebagai

representasi objek identifkasi, digolongkan menjadi dua kategori yaitu boundary-

based dan region-based. Boundary-based mendeskripsikan bagian menggunakan

karakteristik eksternal, sedangkan region-based merepresentasikan bagian

menggunakan karakteristik internal.

Beberapa metode pengenalan spesies tumbuhan berdasarkan bentuk daun

telah dikembangkan, diantaranya adalah penelitian yang dilakukan oleh

(Abbasi,1997), (Du, 2007), (Lee, 2003), (Wang, 2012). Meskipun sudah banyak

penelitian yang dilakukan, namun masih sedikit metode untuk penerapan pada

smartphone. Penelitian sebelumnya dilakukan oleh (Wang, 2015) menggunakan

metode Multi Scale Arch Height Descriptor (MARCH) di mana fitur bentuk daun

direpresentasikan dengan tinggi lengkungan pada tiap titik pada kontur daun.

Metode ini cukup baik diimplementasikan pada smartphone karena hanya

menghasilkan vektor fitur yang sedikit (kurang dari 150 fitur) dan execution time

rendah.

Walaupun metode MARCH cukup baik diimplementasikan pada smartphone,

namun metode MARCH memiliki kekurangan yaitu vektor fitur yang dibentuk

hanya didasarkan pada karakteristik tepi (kontur). Karakteristik tepi diwakili oleh

tinggi lengkungan yang dihitung dari tiap titik pada kontur. Karena hanya

didasarkan pada karakterisitik kontur, metode MARCH tidak merepresentasikan

karakteristik region/intrisik dalam daun padahal ada beberapa spesies tumbuhan

yang mempunyai pola kontur yang hampir sama. Contoh, Nuphar Japonicum

dan Nuphar Pumilum adalah anggota dari family Nymphaeaceae. Jadi metode

temu kembali citra daun harus juga memperhatikan fitur intrisik dari daun untuk

mendapatkan tingkat akurasi yang lebih tinggi.

3

Salah satu fitur intrisik yang dimiliki oleh daun adalah struktur tulang daun

(pola venasi) yang merupakan fitur unik lain yang membedakan jenis

tumbuhan. Sistem klasifikasi berbasis tulang daun diperkenalkan oleh (Park,

2006) menggunakan gambar dari buku "Flora Illustrated Korea (Fu dan Chi,

2003)” mengusulkan pendekatan dalam dua tahap (segmentasi awal

berdasarkan histogram intensitas gambar daun dan menggunakan classifier

jaringan saraf tiruan) untuk mengekstrak pola venasi dua puluh satu gambar

daun yang berbeda dan memperoleh hasil yang lebih baik daripada

penggunaan detektor tepi konvensional (Arifin, 2009).

Pada penelitian ini dilakukan modifikasi metode MARCH (Modified MARCH)

yang diharapkan dapat diperoleh metode ekstraksi fitur tepi dan ruas tulang daun

yang lebih efektif dan efisien untuk temu kembali citra daun berbasis smartphone.

Modifikasi metode MARCH terletak pada tahapan penentuan posisi lengkungan

yang akan diekstraksi. Vektor fitur didapatkan dari tinggi lengkungan suatu titik

pada kontur daun, di mana titik tersebut merupakan titik convex hull dari kontur

daun serta titik convex hull dari kontur tulang daun. Metode Modifikasi MARCH

diharapkan menghasilkan akurasi yang lebih tinggi dibandingkan metode MARCH

karena karakteristik region/intrisik dalam daun juga terakomodasi dengan

digunakannya fitur ruas tulang daun.

Dengan penerapan Metode yang dikembangkan pada penelitian kali ini

(Modified MARCH) diharapkan dapat dikembangkan metode ekstraksi fitur tepi

dan ruas tulang daun yang lebih efektif dan efisien dengan melakukan modifikasi

terhadap metode MARCH untuk temu kembali citra daun berbasis smartphone.

1.2 Perumusan Masalah

Rumusan masalah dalam penelitian ini dapat dijabarkan menjadi beberapa

poin berikut :

1 Bagaimana mengembangkan metode ekstraksi fitur tepi dan ruas tulang daun

yang lebih efektif dan efisien dengan melakukan modifikasi terhadap metode

MARCH untuk temu kembali citra daun berbasis smartphone?

2 Bagaimana menerapkan metode modifikasi metode MARCH agar dapat

berjalan dengan baik pada smartphone?

4

3 Bagaimana menguji kinerja dari modifikasi metode MARCH?

1.3 Batasan Masalah

Mengingat bahwa temu kembali citra daun merupakan suatu hal yang cukup

kompleks maka penelitian yang dilakukan dibatasi pada beberapa poin berikut:

1. Citra query merupakan citra daun tunggal.

2. Citra query merupakan citra daun dengan background putih dan pencahayaan

yang baik.

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah mengembangkan metode ekstraksi fitur tepi dan

ruas tulang daun yang lebih efektif dan efisien dengan melakukan modifikasi

terhadap metode MARCH untuk temu kembali citra daun berbasis smartphone.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini antara lain:

1. Didapatkannya metode ekstraksi fitur tepi dan ruas tulang daun yang lebih

efektif dan efisien untuk temu kembali citra daun berbasis smartphone.

2. Pengembangan aplikasi yang didasarkan pada modifikasi metode MARCH

untuk temu kembali citra daun berbasis smartphone.

1.6 Kontribusi Penelitian

Kontribusi yang diharapkan dari penelitian ini adalah metode ekstraksi fitur

tepi dan ruas tulang daun yang didasarkan pada pengembangan metode MARCH

(Modified MARCH) dalam hal:

1. Proses perhitungan fitur Arch Height yang lebih sedikit daripada metode

MARCH, karena didasarkan titik convex hull pada kontur daun dan tulang

daun sehingga diharapkan tidak menambah waktu komputasi meskipun

ada penambahan fitur ruas tulang daun.

2. Penambahan operasi MARCH pada convex hull ruas tulang daun yang

diharapkan didapatkan metode yang memiliki akurasi yang lebih tinggi

dibanding dengan metode MARCH.

5

BAB 2

KAJIAN PUSTAKA

Pada bagian ini akan dipaparkan konsep dasar tentang teori-teori yang

dipakai sebagai pegangan dalam melakukan penelitian ini.

2.1 Content Based Image Retrieval

Content Based Image Retrieval (CBIR) merupakan metode pencarian suatu

citra dengan membandingkan citra query dengan citra yang ada di dalam database.

Tantangan dalam CBIR ini adalah bagaimana untuk menemukan fitur-fitur

penting yang merupakan karakteristik dari sebuah citra yang membuatnya unik

dan bisa diidentifikasi secara akurat. Sistem CBIR secara umum dibangun dengan

melihat karakteristik/ciri suatu citra. Ciri merupakan suatu tanda yang khas, yang

membedakan antara satu citra dengan citra yang lain (Jamaluddin, 2011). Diagram

CBIR pada umumnya seperti yang terdapat pada Gambar 2.1

1Gambar 2.1 Diagram CBIR

2.2 Klasifikasi Tumbuhan

Berdasarkan klasifikasi lima kingdom maka kingdom Plantae (tumbuhan )

dibagi ke dalam beberapa filum yakni Lumut (Bryophita), Paku-pakuan

(Pteridhophyta), serta tumbuhan berbiji (Spermatophyta).

Penjelasan masing masing Filum adalah sebagai berikut:

Pengguna

Output

Citra Query Deskriptor Vektor Fitur

Dataset Citra Deskriptor Vektor Fitur

Perbandingan Similaritas

Perangkingan

Hasil Query

6

a. Tumbuhan Lumut (Bryophyta)

Bryophyta adalah kelompok tumbuhan yang sederhana yang hidup di tempat-

tempat basah atau lembab di darat. Tumbuhan ini banyak dijumpai di tebing-

tebing tanah, batuan, di hutan, di tepisungai dan di cabang pepohonan sebagai

epifit. Tumbuhan lumut mempunyai bagian-bagian tubuh yang menyerupai akar,

batang dan daun,tetapi bagian-bagian tersebut bukanlah akar, batang dan daun

sejati. Bagian yang menyerupai akar disebut rhizoid, yang berupa selapis sel

berbentuk halus dan tumbuh ke arah bawah dari pangkal batangnya. Rhizoid

berfungsi untuk melekatkan diri di tempat hidupnya dan untuk menyerap air dan

mineral dari dalam tanah.

b. Tumbuhan Paku (Pteridophyta)

Tumbuhan paku umumnya sudah berupa tumbuhan kormus, artinya sudah

mempunyai akar, batang dan daun sejati. Daun paku yang muda memiliki ciri

khas menggulung pada bagian ujungnya.

c. Tumbuhan Biji (Spermatopyta)

Ciri khas tumbuhan biji mempunyai akar, batang dan daun sejati. Akar

umumnya berada dalam tanah yang brfungsi untuk mengokohkan berdirinya

batang serta berfungsi untuk menyerap air dan mineral dari dalam tanah.

Berdasarkan keadaan dan letak bakal biji, tumbuhan biji dikelompokkan

menjadi dua kelompok, yaitu:

1. Tumbuhan biji terbuka (Gymnospermae), yaitu kelompok tumbuhan

biji di mana bakal biji tidak berada dalam bakal buah, melainkan melekat

pada daun buah dan bisa terlihat langsung. Tumbuhan biji terbuka terdiri

dari tiga suku, yaitu:

a. Cycadaceae, contohnya pakis haji (Cycas rumphii)

b. Gnetaceae, contohnya alah melinjo (Gnetum gnemon)

c. Coniferae, contohnya pinus (Pinus merkusii), damar puith

(Agathisalba), cemara (Cupressus macrocarpa) dsb.

Di antara ketiga suku tetidak dilindungi oleh daun buah, sehingga

disebut biji terbuka.

2. Tumbuhan biji tertutup (Angiospermae), bakal biji dilindungi oleh

daun buah (karpel). Berdasarkan jumlah keping biji. Ada

7

tumbuhan yang memilki satu keeping biji dikelompokkan

sebagai tumbuhan monokotil, dan ada yang memilki dua

keeping biji yang dikelompokkan menajdi tumbuhan dikotil

(tumbhuhan belah). Ciri-ciri lain untuk dapat membedakan

tumbuhan monokotil dan dikotil diantarnya dapat dilihat dari

bagian-bagian tubuh tumbuhan tersebut, seperti bagian akar, batang,

daun dan bunga seperti pada Tabel 2.1.

11Tabel 2.1 Ciri Pembeda Tumbuhan Dikotil dan Monokotil

Ciri Pembeda Tumbuhan Monokotil Tumbuhan Dikotil

Akar Tersusun atas akar

serabut

Berupa akar tunggang

Batang Tidak berkambium Berkambium dan

bercabang - cabang

Daun Daun berbentuk pita dan

panjang, bertulang daun

sejajar atau melengkung

Daun lebar – lebar,

dengan bentuk beraneka

ragam, bertulang daun

menyirip atau menjari

Bunga Umumnya bagian-bagian

bunga berjumlah 3 atau

kelipatannya

Umumnya bagian bunga

berjumlah 2,4 dan 5 atau

kelipatannya

Berkas Pengangkut

pada batang

Pembuluh kayu dan

pembuluh tapis letaknya

tersebar pada batang

Pembuluh kayu dan

pembuluh tapis letaknya

teratur. Pembuluh kayu

sebelah dalam dari

pembuluh tapis

2.3 Karakteristik Daun

Dalam ilmu botani, daun biasanya berupa bentuk pipih hijau yang keluar dari

batang pada tumbuhan berpembuluh. Daun memproduksi sumber makanan bagi

tumbuhan, yang dengan itu juga lah secara tidak langsung spesies pemakan

tumbuhan juga dapat hidup. Daun memiliki ukuran, bentuk dan karakteristik yang

8

berbeda termasuk kelengkungan, Struktur tulang daun (pola venasi) yang

mendukung transportasi dari dan ke daun. Pola venasi merupakan karakteristik

berbagai jenis tanaman: misalnya tumbuhan dikotil memiliki pola venasi yang

seperti jaringan dan biasanya tidak memiliki ujung venasi yang jelas. Sedangkan

monokotil melmiliki ruas daun yang sejajar dan hampir semuanya memiliki ujung

venasi yang jelas (Britanica, 2015)

2Gambar 2.2 Perbedaan Garis Besar Daun Dikotil dan Monokotil

Daun yang dimiliki oleh tumbuhan merupakan salah satu biometrik dari

tumbuhan. Hal ini disebabkan karena daun pada tiap jenis tumbuhan

memiliki bentuk dan ruas daun yang berbeda yang dapat digunakan sebagai

fitur yang didapatkan melalui serangkaian proses pengolahan citra untuk

dilakukan klasifikasi citra daun (Wahyumianto, 2013).

2.4 Smartphone

Smartphone (telepon pintar) adalah telepon genggam yang mempunyai

kemampuan tingkat tinggi dengan fungsi yang menyerupai komputer. Smartphone

pertama kali merupakan kombinasi dari fungsi suatu personal digital assistant

(PDA) dengan telepon genggam ataupun telepon dengan kamera. Seiring dengan

perkembangannya, kini smartphone juga mempunyai fungsi sebagai media player

portable, digital compact camera, pocket video camera dan GPS. Smartphone

modern juga dilengkapi dengan layar touchscreen resolusi tinggi, browser yang

mampu menampilkan full web seperti pada PC, serta akses data WiFi dan internet

broadband (Nosrati, 2012). Keterbatasan utama pada smartphone atau peralatan

mobile computing lain tertutama pada power consumption sehingga komponen

perangkat yang terdapat pada smartphone didesain untuk dapat menggunakan

sumber daya yang terbatas. Batasan ini berimbas pada pengurangan kapasitas

9

komputasi yang dapat dilakukan seperti halnya batasan clock processor yang

digunakan, komputasi grafis yang terbatas serta batasan jumlah RAM yang

digunakan.

2.5 Ekstraksi Fitur Pada Citra Digital

Feature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri /

feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis

untuk proses selanjutnya. Proses pengambilan ciri tersebut dilakukan dengan

metode descriptor tertentu. Fitur merupakan karakteristik unik dari suatu objek.

Fitur dibedakan menjadi dua yaitu fitur “alami” merupakan bagian dari gambar,

misalnya kecerahan dan tepi objek. Sedangkan fitur “buatan” merupakan fitur

yang diperoleh dengan operasi tertentu pada gambar, misalnya histogram tingkat

keabuan (Gualtieri, 1985). Sehingga ekstraksi fitur adalah proses untuk

mendapatkan ciri-ciri pembeda yang membedakan suatu objek dari objek yang

lain.

2.6 Convex hull pada Kumpulan Koordinat

Convex hull digambarkan secara sederhana dalam sebuah bidang sebagai

pencarian subset dari himpunan titik pada bidang tersebut, sehingga jika titik-titik

tersebut dijadikan poligon maka akan membentuk poligon yang konveks. Suatu

poligon dikatakan konveks jika garis yang menghubungkan antar kedua titik

dalam poligon tersebut tidak memotong garis batas dari polygon. Pencarian

convex hull dari sebuah himpunan titik Q (CH(Q)) adalah mencari sebuah convex

set terkecil yang memuat seluruh titik pada Q. Convex hull dari dari sebuah

himpunan titik Q (CH(Q)) pada n dimensi adalah seluruh irisan dari semua convex

set yang mengandung Q. Terlebih lanjut, untuk N buah titik p1, p2,... pN. Convex

hull merupakan himpunan convex combination yang dinyatakan dengan

persamaan 2.1

∑

∑

(2.1)

Metode convex hull yang digunakan pada penelitian ini adalah metode yang

diperkenalkan oleh (Skalansky, 1982).

10

2.7 Ekstraksi Kerangka Tulang Daun dengan metode Morphology

Ekstraksi kerangka tulang daun pada penelitian ini menggunakan metode yang

dikenalkan oleh (Zheng, 2010). Ekstraksi kerangka tulang daun pada metode ini

dilakukan pada citra grayscale. Kerangka tulang daun didapatkan dengan

mengurangkan hasil morphologi top hat dengan hasil morphologi bottom hat.

Top-hat transform merupakan hasil subtraksi gambar input dengan gambar yang

telah mengalami operasi opening. Operasi ini menekan background gelap dan

menyoroti foreground sehingga kontras gambar foreground meningkat (Amin,

2015). Top-hat transform dapat dituliskan seperti pada persamaan 2.2

(2.2)

Sedangkan Bottom-hat atau Top-Hat by Closing didefinisikan sebagai

perbedaan antara hasil closing citra input dengan citra input itu sendiri.

Persamaan dari Bottom-Hat transform terdapat pada persamaan 2.3

(2.3)

Metode yang diperkenalkan oleh Zheng menggunakan operasi bottom hat dan

top hat untuk mendapatkan kerangka tulang daun dengan cara mengurangkan

(substraksi) hasil bottom hat dengan hasil top hat dari citra input. Persamaan dari

metode yang diperkenalkan oleh Zheng terdapat pada persamaan 2.4

(2.4)

Di mana src merupakan grayscale citra input dan output G juga merupakan citra

grayscale hasil ekstraksi.

2.8 Ekstraksi Kontur Menggunakan Metode Canny

Kontur adalah garis batas dari bentuk geometris dalam gambar digital (Pedro,

2009). Karena identifikasi kontur sangat penting untuk menganalisis isi gambar,

ekstraksi kontur menjadi salah satu bagian penting dalam masalah computer vision

11

dan pengenalan pola. Pada penelitian ini digunakan metode Canny untuk proses

Ekstraksi Kontur.

Deteksi tepi Canny mampu mendeteksi tepian dengan tingkat kesalahan

minimum (Putra, 2010). Berbeda dengan operator lainnya, deteksi tepi Canny

menggunakan Gaussian Derivative Kernel untuk memperhalus tampilan sebuah

citra. Keunggulan Canny di banding dengan deteksi tepi lainnya (Yodha, 2014) :

a. Good detection, memaksimalkan signal to noise ration (SNR) agar semua

tepi dapat terdeteksi dengan baik.

b. Good location, untuk meminimalkan jarak deteksi tepi yang sebenarnya

dengan tepi yang dihasilkan melalui pemrosesan, sehingga lokasi tepi

terdeteksi menyerupai tepi secara nyata. Semakin besar nilai Loc, makan

semakin besar kualitas deteksi yang dimiliki.

c. One respon to single edge, untuk menghasilkan tepi tunggal / tidak

memberikan tepi yang bukan tepi sebenarnya

2.9 Discrete Fourier Transform

Transformasi Fourier merupakan suatu proses yang banyak digunakan untuk

memindahkan domain dari suatu fungsi atau obyek ke dalam domain frekuensi. Di

dalam pengolahan citra digital, transformasi fourier digunakan untuk mengubah

domain spasial pada citra menjadi domain frekuensi. Analisa-analisa dalam

domain frekuensi banyak digunakan seperti filtering. Dengan menggunakan

transformasi fourier, sinyal atau citra dapat dilihat sebagai suatu obyek dalam

domain frekuensi.

Menurut Buku (Lyons, 2010), Discrete Fourier Transform (DFT) adalah

prosedur powerful yang digunakan dalam pemrosesan sinyal digital dan filterisasi

digital. DFT menungkinkan kita untuk menganalisa, memanipulasi dan

mensintesis sinyal yang tidak mungkin dapat dilakukan dalam pemrosesan sinyal

analog. Sedangkan menurut (Elliot, 1988) DFT merupakan gambaran karakteristik

spektrum periodik dari suatu sampel data. DFT memiliki spectrum garis yang

mewakili periode sekuensial N. Adanya istilah “discrete fourier transform”

karena DFT memberikan gambaran deret fourier untuk sekuens terbatas.

Transformasi fourier diskrit atau disebut dengan Discrete Fourier Transform

12

(DFT) adalah model transformasi fourier yang dikenakan pada fungsi diskrit,

dan hasilnya juga diskrit. Berdasarkan kedua pengertian tersebut, maka dengan

kata lain DFT merupakan prosedur matematika yang dapat digunakan untuk

menentukan harmonik atau frekuensi, yang merupakan bagian dari sekuens sinyal

diskrit. DFT berasal dari transformasi fourier continue X(f) yang didefinisikan

sebagai :

∫

(2.5)

Di mana x(t) adalah sinyal continue dalam domain waktu.

Dengan perkembangan computer digital, ilmuwan berhasil menyatakan DFT

sebagai discrete frequency-domain sequence X(m) mejadi persamaan 2.2

∑

(2.6)

Di mana :

X(m) = komponen output DFT ke-m (contohnya : X(0), X(1), X(2), dst)

M = indeks output DFT dalam domain frekuensi

m = 0,1,2,3,…, N-1

x(n) = sekuens sampel input, x(0), x(1), x(2), dst.

n = indeks sampel input dalam fungsi waktu, n = 0,1,2,3,…, N-1

j = V-1

N = jumlah sampel sekuens input dan jumlah titik frekuensi di output DFT

2.10 Multi Scale Arch height

Multi Scale Arch height (Wang, 2015) yang disingkat dengan MARCH

merupakan sutu deskriptor yang dikhusukan untuk ekstraksi fitur daun

berdasarkan multi scale arch height (beberapa skala tinggi lengkungan pada

daun). Tujuan utama dari metode ini adalah untuk medapatkan deskriptor bentuk

13

daun yang efisien dan efektif agar dapat diterapkan dengan baik pada perangkat

smartphone. Secara garis besar tahapan pada metode ini dijelaskan pada subbab

berikutnya.

2.10.1 Ekstraksi Kontur

Ekstraksi kontur dilakukan pada citra biner, kontur yang didapatkan

direpresentasikan dengan fungsi koordinat di

mana merupakan panjang lengkungan yang telah dinormalisasi oleh linkaran

dalam kontur dan melambangkan jarak dari titik mulai ke

titik sepanjang kontur pada arah berlawanan jarum jam.

2.10.2 Arch Height

Setiap titik u pada kontur, lengkung dari ukuran skala S merupakan

kumpulan titik pada kontur , di mana S €(0,1).

Tinggi dari lengkungan dari lengkungan

merupakan bilangan real di mana

nilai absolutnya dapat dihitung dari persamaan :

( (

))( (

) (

)) ( (

))( (

) (

))

√ (

)

(

)

(2.7)

Di mana jika nilai = 0 maka titik

berada pada kontur lengkungan sedangkan

nilai positif atau negatif dari tinggi lengkungan melambangkan lengkungan

tersebut cekung atau cembung.

3Gambar 2.3 Ilustrasi Metode MARCH

14

2.10.3 K-Scale Arch Height

Setiap titik u pada kontur, K merupakan sebuah integer positif. Di mana

tinggi lengkungan dari

yag merupakan K-scale dari tinggi lengkungan.

Semakin tinggi nilai K maka akan semakin pendek panjang busur dari

lengkungan.

2.10.4 Vektor Fitur pada MARCH

Pada bentuk kontur , melintasi dari titik

awal ke titik akhir sepanjang kontur.

Panjang lengkungan pada skala-K

di setiap nilai u dapat diformulasikan pada

fungsi . Di mana nilai K bergantung pada jumalah titik (N) dalam kontur di

mana nilai maksimal dari K ,dilambangkan dengan .

Dari fungsi dapat diturunkan menjadi fungsi dan yang

masing-masing fungsi tersebut dapat didefinisikan sebagai:

(2.8)

Dari persamaan 2.4 dapat disumpulkan bahwa nilai melambangkan cekung

atau cembung lengkungan. Sedangkan nilai adalah nilai absolut dari tinggi

lengkungan. Karena menggunakan nilai tinggi, maka metode MARCH dapat

dikatakan invariance pada translasi. Agar invariance terhadap pengskalaan maka

nilai tinggi yang didapatkan dapat dibagi dengan nilai tinggi maksimalnya.

Untuk mendapatkan fitur yang invariance terhadap rotasi, tiap nilai dari tiap

fungsi yang didapat diaplikasikan pada transformasi fourier dan didapatkan nilai

besaran dari discrete fourier transform sperti yang terdapat pada persamaan 2.9

|

∑ (

)

|

Dan

15

|

∑ (

)

|

(2.9)

Sehingga deskriptor akhir yang didapat dapat didefinisikan sebagai

2.10.5 Eccentricity, Solidity dan Rectangularity

Eccentricty merupakan perbandingan/ratio dari major axis terhadap minor

axis dalam sebuah batas berbentuk ellipse. Solidity merupakan ukuran sebuah

bentuk apakah cembung atau cekung. Nilai Solidity adalah perbandingan antara

luas bentuk benda terhadap luas area convex hull dari bentuk tersebut.

Rectangularity merupakan gambaran seberapa kotak bentuk dari suatu benda.

Nilai rectangularity merupakan perbandingan antara luas area dengan luas

minimum suatu kotak yang dapat milikupi bentuk tersebut. Eccentricity, Solidity

dan Rectangularity merupakan fitur tambahan dalam metode MARCH.

2.10.6 Pengukuran jarak vektor fitur pada MARCH

Jika ada dua vektor fitur MARCH, missal vektor A dan vektor B

didefinisikan sebagai

Maka jarak antara A dan B adalah

∑ ∑

(2.10)

Di mana merupakan parameter bobot. Fitur tambahan yang digunakan pada

metode MARCH adalah Eccentricity, Solidity dan Rectangularity sehingga

16

persamaan pengukuran jarak vektor fitur adalah seperti yang terdapat pada

persamaan 2.11.

Ea : Eccentricity citra daun A

Eb : Eccentricity citra daun B

Sa : Solidity citra daun A

Sb : Solidity citra daun B

Ra : Rectangularity citra daun A

Rb : Rectangularity citra daun B

17

BAB 3

METODE PENELITIAN

Adapun tahapan penelitian yang akan dilakukan pada penelitian ini dapat

digambarkan sebagai berikut.

4Gambar 3.1 Tahapan Penelitian

3.1 Studi Literatur dan Analisa Awal

Pada setiap penelitian, studi literatur dan analisa awal merupakan hal yang

penting. Hal ini berkaitan dengan suatu pemahaman detail baik dari sisi konsep/dasar

teori yang dipakai maupun teknis dari tiap tahapan suatu penelitian. Pada tahap ini

akan dipelajari tentang segala informasi dan sumber pustaka yang disesuaikan

dengan konteks penelitian yang dilakukan. Dalam penelitian ini, literatur yang

dikaji secara garis besar meliputi konsep-konsep dasar CBIR, Dasar klasifikasi

tumbuhan, karakteristik daun, metode deteksi tepi dan ekstraksi kontur, discrete

fourier transform, metode Multi Scale Arch height (MARCH) dan metode

klasifikasi tumbuhan berdasarkan ruas tulang daun.

Selain pengkajian terhadap pustaka yang menjadi dasar keilmuan dalam

melakukan penelitian, dalam tahapan ini juga dilakukan analisa awal. Analisa ini

STUDI LITERATUR DAN ANALISA AWAL

DESAIN SISTEM

IMPLEMENTASI

PENGUJIAN DAN ANALISA HASIL

DOKUMENTASI SISTEM

18

dimaksudkan sebagai tahapan untuk melakukan analisa terhadap hasil penelitian-

penelitian sejenis yang telah dilakukan untuk dapat dipakai sebagai referensi

ataupun pembanding terhadap metode yang diusulkan.

3.2 Modified MARCH

Modifikasi metode Modified MARCH dibanding metode MARCH adalah

penyertaan fitur tulang daun yang diharapkan dapat mengakomodir karakteristik

internal dari daun. Selain itu metode Modified MARCH tidak menggunakan

seluruh titik pada kontur dalam perhitungan Arch Height melainkan hanya titik

convex hull dari kontur daun dan tulang daun. Fitur jenis lengkung Arch Height

(Cembung / Cekung) pada metode MARCH diganti dengan fitur Arch Height pada

Convex Hull tulang daun. Ilustrasi penggunaan fitur pada kontur daun dan ruas

tulang daun terdapat pada Gambar 3.2 dan Gambar 3.3

5Gambar 3.2 Ilustrasi Metode MARCH

19

6Gambar 3.3 Ilustrasi Metode Modified MARCH

3.3 Desain Sistem

Pada bagian ini dijelaskan mengenai alur proses metode yang digunakan,

dataset, serta format input dan output system. Penentuan desain model sistem ini

akan memberikan gambaran mengenai apa dan bagaimana suatu penelitian

dilaksanakan. Metode yang diusulkan adalah Modifed MARCH di mana garis

besar alur proses pada metode ini terdapat pada gambar 3.3.

20

7Gambar 3.4 Alur Proses Modifed MARCH

Penjelasan lebih detail dari alur proses pada gambar 3.4 dijelaskan pada subbab

berikutnya sesuai dengan urutan alur yang terdapat pada gambar.

3.3.1 Input Sistem

Input sistem berupa citra digital daun yang sudah tersimpan sebelumnya

dalam hal ini adalah data test dari dataset. citra daun yang diambil merupakan citra

daun tunggal dan harus memiliki background putih yang kontras dengan objek

daun.

Konversi ke Gray Scale

Ekstraksi Tulang Daun

Start

Citra Daun

Ekstraksi Kontur Daun

Kontur DaunTulang Daun

Perhitungan Convex Hull pada Tulang

Daun

Perhitungan Convex Hull pada Kontur

Daun

Titik Poligon Convex Hull pada

Tulang Daun

Titik Poligon Convex Hull pada

Kontur Daun

Perhitungan Eccentricity, Solidity dan

Ractangularity

Operasi MARCH pada Kontur Tulang Daun

Operasi MARCH pada Kontur

Daun

Vektor Fitur I

Database Fitur & Citra

Pengukuran Similaritas

Hasil IdentifikasiEnd

21

3.3.2 Konversi Gray Scale

Dalam penelitian ini nilai keabuan didapat dari channel V pada ruang warna

HSV. Channel V digunakan karena channel ini merupakan nilai maksimum dari

nilai R/G/B sehingga hampir tidak terpengaruh oleh refleksi cahaya. Persamaan

konversi dari RGB ke HSV terdapat pada persamaan 3.1. nilai keabuan diambil

dari nilai R/G/B yang tertinggi yang terdapat pada satu piksel.

{

{

(3.1)

3.3.3 Ekstraksi Kontur Daun

Ekstraksi kontur daun merupakan proses untuk mendapatkan kontur dari

citra input daun yang akan digunakan pada operasi MARCH. Input pada tahapan

ekstraksi kontur daun ini adalah citra gray scale yang telah didaptkan pada proses

sebelumnya. Beberapa tahapan untuk mendapatkan kontur daun diantranya adalah

konversi blur / pengaburan citra, binary thresholding dan penerapan metode

Canny. Detail dari tiap tahapan proses ekstraksi kontur daun terdapat pada sub bab

berikutnya. Alur proses ekstraksi kontur daun terdapat pada Gambar 3.5

8Gambar 3.5 Alur Proses Ekstraksi Kontur Daun

StartBlur / Pengaburan

CitraBinary Tresholding

Canny

Citra

GrayScale

Kontur DaunEnd

22

3.3.3.1 Blurring (Pengaburan Citra)

Operasi pengaburan citra bertujuan mengaburkan tepi pada objek di dalam

citra. Pengaburan citra adalah suatu filter spasial low-pass yang melenyapkan

detail halus dari suatu citra. Pengaburan citra dicapai melalui konvolusi, yakni

seluruh koefisien masuknya bernilai sama. Kernel yang digunakan dalam

pengaburan citra terdapat pada persamaan 3.2.

[

] (3.2)

3.3.3.2 Binary Thresholding

Binary Thresholding merupakan proses untuk mendapatkan citra biner.

Thresholding yang digunakan adalah thresholding global dengan menggunakan

ambang batas tertentu. Tiap piksel pada citra input dipetakan menjadi dua nilai

yaitu 1 atau 0 dengan ketentuan :

{

(3.3)

Di mana merupakan citra binary, adalah citra input, sedangkan T

adalah nilai ambang yang didapat dari titik potong kurva bimodial pada histogram.

Nilai T didapatkan dengan beberapa langkah berikut:

1. Pilih nilai awal T, dan tentukan nilai ambang To

2. Lakukan segmentasi piksel berdasarkan nilai T, akan terbentuk dua

kelompok piksel yang dibawah nilai T (G1) dengan piksel yang diatas nilai

T (G2)

3. Hitung rata – rata nilai piksel di tiap kelompok, dapatkan nilai mean1

untuk G1 dan mean2 untuk G2

4. Dapatkan nilai T baru dari nilai rata – rata mean yang didapatkan : T baru

= (mean1 + mean2) / 2

5. Ulangi langkah 2 sampai 4 hingga selsih nilai T baru dengan T sebelumnya

lebih kecil dari nilai ambang To

23

3.3.3.3 Ekstraksi Kontur dengan Metode Canny

Ekstraksi kontur dilakukan untuk mendapatkan garis tepi daun (kontur) dari

citra daun yang sudah diubah menjadi citra biner. Metode ekstraksi kontur yang

digunakan adalah metode Canny. Alur proses metode Canny terdapat pada gambar

3.6 Hasil dari ekstraksi kontur adalah vektor koordinat titik yang berada pada garis

tepi daun.

9Gambar 3.6 Alur Proses Metode Canny

Penjelasan tiap tahapan pada alur proses metode canny adalah sebagai berikut :

a. Gaussian filter/smoothing dilakukan untuk menghilangkan noise. Salah

satu filter Gaussian dengan menggunakan σ = 1, 4 yang didapat dari

persamaan Gaussian

`

(3.4)

Start

Gaussian Filter

Sobel X, Y

Non - Maximum Suppression

Hystresis

Citra Gray Scale

Edge

End

24

adalah :

[ ]

Yang selanjutnya filter tersebut digunakan untuk mendapatkan nilai baru dari titik

pada citra dari nilai tetangga pada piksel tersebut

b. Setelah dilakukan operasi gaussian filter, operasi sobel dilakukan untuk

mendapatkan gradien x dan y. operator sobel yang digunakan adalah

[

] [

]

(3.5)

c. Perhitungan gradien dan arah gradien dilakukan setelah niali gradien x dan

y didapatkan, perhitungan gradien dan arah gradien dihitung dengan

persamaan:

√

(

)

(3.6)

d. Informasi arah dan gradien yang didapat diguanakan pada operasi non-

maximum suppression. Pada operasi ini diambil nilai piksel dengan

gradien yang besar

e. Tahapan terakhir pada canny adalah thresholding untuk menampilkan tepi

dari citra, di mana tepi adalah piksel yang memiliki gradien besar yang

sudah diseleksi pada tahapan maximum suppression.

3.3.4 Convex hull Kontur Daun

Titik acuan pada kontur daun yang akan digunakan pada operasi MARCH

merupakan titik convex hull dari kontur daun. Pencarian convex hull pada kontur

daun digunakan metode (Skalansky, 1982). Penjabaran garis besar algoritma

Skalansky adalah sebagai berikut :

25

1. Tentukan titik extremal yaitu sebuah titik yang paling jauh dari semua

titik dalambeberapa arah (sebagai contoh, titik dengan koordinat y

yang terkecil) dan berikan nama P0.

2. Lakukan sorting pada pada titik yang tersisa n-1 secara radial, dan

gunakan P0 sebagai titik awal.

3. Tempatkan tiga koin pada vertices P0, P1, P2 dan namakan titik-titik

itu masing-masing dengan “back”, “center”, dan “front” secara

berurutan (Titik-titik itu akan berputar ke kanan dari “back” ke

“front”).

4. Lakukan: jika 3 koin yang berputar ke kanan (atau jika 3 koin terletak

pada collinear vertices)

a. Letakkan “back” dan tempatkan pada vertex dimuka dari “front”

b. Berikan nama kembali : “back” menjadi “front”, “front” menjadi

“center”, “center” menjadi “back”.

Jika tidak (3 koin yang berputar ke kiri)

a. Letakkan “center” dan tempatkan pada vertex dibelakang “back”.

b. Pindahkan (atau abaikan selanjutnya) vertex yang berposisi sebagai

“center”

3.3.5 Ekstraksi Tulang daun

Ekstraksi tulang daun pada penelitan ini menggunakan metode yang

diperkenalkan oleh (Zheng, 2010). Metode ini menggunakan operasi morphologi

pada citra grayscale untuk mendapatkan kerangka tulang daun. Pada penelitan ini

nilai grayscale diambil dari channel V pada color space HSV. Alur proses

ekstraksi tulang daun terdapat pada gambar 3.7

10Gambar 3.7 Alur Ekstraksi Kerangka Tulang Daun

StartBlur /

Pengaburan Citra

Zheng Method

Substraksi Kontur

Citra GrayScale

Kerangka Tulang Daun

End

26

3.3.5.1 Proses Blur

Setelah nilai grayscale dari channel V pada colorspace HSV didapat,

dilakukan proses blur untuk menghilangkan noise dan detail yang tidak

diperlukan. Proses blur dilakukan dengan menerapkan persamaan 3.2.

3.3.5.2 Zheng Method

Hasil dari proses blur citra grayscale merupakan input pada operasi zheng,

hasil operasi zheng didapat dengan mengimplementasikan persamaan 2.4 di mana

citra input merupakn citra grayscale dari nilai V channel pada HSV yang telah

dilakukan proses bluring. Kerangka tulang daun didapatkan dari substraksi hasil

top hat dan bottom hat.

3.3.5.3 Penghilangan Kontur

Sisa dari kontur yang terdapat pada hasil ekstraksi tulang daun dihilangkan

dengan melakukan proses substraksi antara citra hasil ekstraksi tulang daun

dengan citra kontur yang sudah mengalami proses dilasi untuk menebalkan garis

kontur.

3.3.6 Convex hull Ruas Tulang Daun

Titik terluar ruas tulang daun merupakan titik convex hull dari kumpulan

titik yang membentuk ruas tulang daun. untuk mendapatkan titik convex hull

digunakan algoritma Skalansky. Algoritma Skalansky yang dijalankan sama

dengan sub bab 3.2.3 namun digunakan untuk titik – titik yang terdapat pada ruas

tulang daun

3.3.7 Ekstraksi Vektor Fitur dengan MARCH Descriptor

Proses ini merupakan proses untuk mendapatkan vektor fitur dengan

menggunakan Deskriptor MARCH. Pada metode MARCH (Asli) vektor fitur

didapat dari nilai magnitude DFT dari tinggi lengkungan pada tiap titik kontur

daun dan nilai cekung/cembung lengkungan.

27

Pada penelitian ini (Modfied MARCH) vektor fitur didapat dari nilai

magnitude DFT dari tinggi lengkungan pada titik convex hull pada kontur daun

dan tinggi lengkungan pada titik convex hull pada kontur ruas tulang daun.

Tinggi lengkungan pada setiap titik convex hull yang telah didapatkan,

dihitung menggunakan persamaan 2.7 di tiap nilai skala . di mana N

merupakan jumlah titik pada kontur. Sehingga terbentuk kumpulan fungsi

dan dalam hal ini u merupakan titik convex hull pada kontur daun,

sedangkan merupakan titik convex hull pada kontur ruas tulang daun.

Untuk mendapatkan fitur yang invarian terhadap rotasi, tiap fungsi tersebut

diaplikasikan pada transformasi fourier seperti yang terdapat pada persamaan 2.8.

sehingga didapat nilai hasil transformasi fourier untu fungsi dan

untuk fungsi Dan didapat hasi akhir berupa vektor fitur dalam

bentuk .

3.3.8 Pengukuran Similaritas Vektor Fitur

Vektor fitur dari citra query yang telah didapatkan diukur

jarak/kedekatannya dengan tiap vektor fitur yang tersimpan pada database.

Pengukuran similaritas antara vektor fitur dihitung berdasarkan persamaan 2.10.

setelah didapatkan jarak antar vektor, dipilih vektor fitur pada database yang

paling memiliki kedekatan dengan vektor fitur citra query.

3.4 Implementasi Sistem

Tahapan implementasi sistem adalah tahapan pengembangan aplikasi dari

model sistem yang telah dirancang dengan suatu bahasa pemrograman. Tahapan

ini akan menghasilkan suatu program aplikasi desktop dan mobile dalam

environment Java dan Android sabagai media representatif terhadap hasil dari

metode yang diusulkan. Digunakan platform Android karena Android mempunyai

market share yang lebih besar dibanding platform mobile lainnya. Selain itu untuk

pemrosesan dataset di sisi server digunakan aplikasi desktop berbasi Java serta

platform web service dengan menggunakan PHP diagram desain implementasi

sistem terdapat pada gambar 3.6.

28

11Gambar 3.8 Diagram Desain Implementasi Sistem

Input citra query diambil dari kamera yang terdapat pada smartphone, selanjuntya

dengan metode Modified MARCH dicari vektor fiturnya. Vektor fitur yang

didapatan dikirim ke server dengan menggunakan web service.

Proses pengukuran kesamaan antara vektor fitur citra query dengan vektor

fitur yang terdapat pada database dilakukan pada server. Setelah mendapatkan

hasil, server mengirimkan respon berupa citra hasil query ke smartphone.

Pemrosesan dataset untuk mendapatkan database fitur dilakukan secara offline.

3.5 Pengujian dan Analisa hasil

Dataset yang digunakan untuk pengujian adalah Flavia leaf. Pada dataset

dilakukan pengujian dengan melakukan query dari citra daun pada setiap spesies

dalam dataset. Sejumlah citra dari dataset digunakan untuk citra testing. Sistem

akan menampilkan beberapa peringkat teratas hasil query. Dari hasil query

tersebut dihitung jumlah citra yang valid atau tidak.

Parameter evaluasi hasil yang digunakan adalah nilai Average Precission

(AP). AP digunakan karena nilai AP memperhitungkan peringkat hasil query

sehingga semakin relevan peringkat teratas dokumen teretrive maka nilai AP

semakin tinggi. Selain nilai Average Precission, juga dianalisa performa metode

dengan mengukur waktu komputasi yang dibutuhkan pada smartphone.

Ambil Gambar Input Query

Ekstraksi Fitur

Pengukuran

Similaritas

Database

FiturDataset Ekstraksi Fitur

Pengurutan

hasil

Tampilkan

Hasil

Aplikasi Mobile

Server

Web Service

29

Nilai Average precision adalah suatu ukuran evaluasi yang diperoleh dengan

menghitung rata-rata tingkat precision pada berbagai tingkat

recall. Nilai Average precission berada pada rentang antara nol sampai dengan

satu. Oleh karena itu, suatu sistem temu kembali yang baik adalah yang dapat

memberikan nilai Average precission mendekati atau sama dengan satu. Nilai

Average precision dirumuskan dalam persamaan 3.7

∑

(3.7)

Di mana P(k) merupakan precission dari peringkat ke -k daftar dokumen

terretrive, f(k) bernilai 1 jika dokumen ke -k tersebut valid dan bernilai 0 jika

tidak.

Setelah didapatkan nilai Average precission dari tiap pengujian, selanjutnya

dihitung nilai Mean Average Precisson (MAP) dan rata-rata waktu komputasi

untuk tiap dataset. MAP merupakan rata-rata dari seluruh nilai AP pada tiap query

uji coba.

Akhir dari penelitian ini adalah dengan menarik kesimpulan dari analisa dan

evaluasi hasil yang sudah dilakukan dan bagaimana perbandingan MAP dan

waktu komputasi antara Modified MARCH dengan MARCH.

31

BAB 4

IMPLEMENTASI METODE

Pada bagian ini dipaparkan hasil implementasi dari setiap langkah yang

telah dipaparkan pada Bab 3. Implementasi metode berupa kode program yang

dibahas sesuai dengan urutan desain sistem yang terdapat pada Bab 3.

4.1 Implementasi

Metode yang diusulkan diimplementasikan dengan menggunakan tiga

platform yaitu Java SE dengan desain antarmuka Swing Java, PHP dan Android.

Platform Java SE digunakan sebagai inti penerapan metode (Implementasi

Algoritma pada sisi server) hingga uji coba metode dalam pengukuran MAP.

Platform PHP digunakan untuk implementasi Web Service dengan menerima

Request dari Android dan meresponnya dalam bentuk daftar hasil query dalam

format JSON (Java Script Object Notation). Sedangkan platform Android

digunakan untuk uji coba waktu komputasi dalam penerapan metode pada

smartphone.

Library Pengelohan Citra yang digunakan adalah OpenCV versi 3.0.0

dalam versi Java dan Android, sedangkan database yang digunakan adalah MySql

dengan implementasi JPA pada Java SE.. Aplikasi dibangun di atas platform

Microsoft Windows 7, dengan spesifikasi processor Core I3 1,7 Ghz dan Memory

DDR III 4 GB. IDE yang digunakan untuk membangun Aplikasi adalah NetBeans

8.0.2 Serta Android Studio 1.3.1

Untuk menjalankan Aplikasi Android dalam uji coba hasil digunakan

Emulator Oracle Virtual Box yang menjalankan Sistem Operasi Android API 15

(Ice Cream Sandwich).

Implementasi algoritma dilakukan dengan membuat fungsi-fungsi dari

setiap proses/tahap yang telah dipaparkan pada Bab 3. Pada bagian ini ditampilkan

hasil implementasi di setiap langkahnya beserta potongan-potongan script yang

penting dalam setiap bagiannya.

4.1.1 Load File Path Dataset Ke Database

Untuk memudahkan pengolahan dataset path dari keseluruhan file yang

terdapat pada dataset disimpan pada Database. Sebelum proses penyimpanan

32

dalam database. File pada dataset diorganisasikan dengan susunan folder berupa

„Nama_dataset/Spesies/File‟. Proses penyimpanan path ke database dilakukan

dengan menelusuri semua file yang berada pada folder dataset dan mengambil

path tiap file tersebut.

Tabel pada database yang digunakan untuk menyimpan file path dan vektor

fitur terdiri dari tabel GbrDaun, VektorFitur, GbrDaunFold, VektorViturFold.

Kode program untuk load path dataset ke database tradapat pada Gambar 4.1

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

if (returnVal == JFileChooser.APPROVE_OPTION)

{

EntityManagerFactory emf =

javax.persistence.Persistence.createEntityManagerFactory("ModifeidMARCHPU");

EntityManager em = emf.createEntityManager();

em.getTransaction().begin();

//empty table

try{

em.createQuery("DELETE FROM VektorFitur").executeUpdate();

em.createQuery("DELETE FROM GbrDaun").executeUpdate();

em.getTransaction().commit();

}catch(Exception e)

{

System.out.println(e.getMessage());

}

File file = jFileChooser2.getSelectedFile();

//This is where a real application would open the file

jTextField1.setText(file.getAbsolutePath());

FileHandler FileH = new FileHandler();

Collection <String> ListFile =

FileH.getAllFiles(jTextField1.getText());

EntityTransaction tx = em.getTransaction();

tx.begin();

for(String File : ListFile)

{

//insert object

System.out.println();

GbrDaun daun = new GbrDaun();

String [] FilePisahFilePisah = File.split("\\\\");

int JumlahElemen = FilePisahFilePisah.length;

daun.setSpesies(FilePisahFilePisah[JumlahElemen-2]);

daun.setFileLocation(File);

daun.setDataset(FilePisahFilePisah[JumlahElemen - 3]);

daun.setPictureName(FilePisahFilePisah[JumlahElemen - 1]);

daun.setFileLocWeb(daun.getDataset()+"\\"+daun.getSpesies()+"\\"+daun.getPictureN

ame());

em.persist(daun);

}

tx.commit();

em.close();

}

}

12Gambar 4.1 Metode untuk Menyimpan Path Dataset Ke Database

33

4.1.2 Ekstraksi Fitur

Ekstraksi fitur dilakukan pada semua file yang terdapat pada dataset, hasil

ekstraksi vektor fitur berupa deret bilangan floating point yang merupakan nilai

total magnitude DFT dari hasil metode MARCH. Looping dilakukan untuk

menelusuri semua path yang terdapat pada tabel GbrDaun. Vektor fitur yang

didapat disimpan ke dalam tabel VektorFitur pada database seperti yang terdapat

pada Gambar 4.2. Tahapan metode hingga didapatkan vektor fitur dijelaskan pada

sub bab berikutnya.

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

ImageHandler ImgH = new ImageHandler();

ModMarchLib marchLib = new ModMarchLib();

MarchOperation ModMarch = new MarchOperation();

EntityManagerFactory emf =

javax.persistence.Persistence.createEntityManagerFactory("ModifeidMarchPU");

EntityManager em = emf.createEntityManager();

//clean table

try

{


if(jCheckBox1.isSelected())

{

em.createQuery("DELETE FROM VektorFitur as D where

D.ismarch = 1").executeUpdate();

}

else

{

em.createQuery("DELETE FROM VektorFitur as D where

D.ismarch = 0").executeUpdate();

}


}catch(Exception e)

{

System.out.println(e.getMessage());

}

//

TypedQuery<GbrDaun> query = em.createQuery("SELECT c FROM GbrDaun

c", GbrDaun.class);

List<GbrDaun> results = query.getResultList();

boolean ismarch = jCheckBox1.isSelected()?true:false;

int ismarch2;

for(GbrDaun gbrdaun : results)

{

try {

ModMarch = new MarchOperation();

System.out.println(gbrdaun.getFileLocation());

if(ismarch)

{

ModMarch.OriOperation(gbrdaun.getFileLocation());

ismarch2 = 1;

}

else

{

ModMarch.Doperation(gbrdaun.getFileLocation());

ismarch2 = 0;

}


VektorFitur nVektorFitur = new VektorFitur();

nVektorFitur.setGbrDaunId(gbrdaun);

nVektorFitur.setIsmarch((short)ismarch2);

34

55

56

57

58

59

60

61

62

63

64

65

66

67

68

nVektorFitur.setVektorFitur(marchLib.ListToString(ModMarch.refDftAlpha) +"|"+

marchLib.ListToString(ModMarch.refDftBeta)+"|"+marchLib.ListToString(ModMarch

.AddedProp));

em.persist(nVektorFitur);


} catch (IOException ex) {

Logger.getLogger(MainForm.class.getName()).log(Level.SEVERE, null, ex);

}

}

13Gambar 4.2 Metode proses ekstraksi fitur dari dataset

4.1.3 Load Citra Masukan

Citra input diambil dari path file pada database yang merujuk pada dataset.

Selanjutnya citra input diubah menjadi format Mat yang dapat dibaca oleh Library

Open Cv. Source code untuk load Citra Input terdapat pada Gambar 4.3

sedangkan hasil proses load citra input terdapat pada Gambar 4.4

1

2

3

4

5

6

7

8

File input = new File(FilePath);

BufferedImage image = ImageIO.read(input);

byte[] data = ((DataBufferByte) image.getRaster().getDataBuffer()).getData();

Mat mat = new Mat(image.getHeight(), image.getWidth(), CvType.CV_8UC3);

mat.put(0, 0, data);

return mat;

14Gambar 4.3 Metode Load Citra Input

15Gambar 4.4 Hasil Load Salah Satu Citra Input dari dataset

35

4.1.4 Ekstraksi Kontur Daun

Ekstraksi kontur daun merupakan proses untuk mendapatkan kontur dari

citra input daun yang akan digunakan pada operasi MARCH. tahapan yang

dilakukan untuk mendapatkan kontur daun seperti yang terdapat pada gambar

diantranya adalah konversi grayscale, blur/pengaburan citra, binary thresholding

dan penerapan metode Canny. Implementasi tiap tahapan tersebut terdapat pada

subbab berikutnya.

4.1.4.1 Konversi Grayscale dan proses Blur

Untuk mengubah citra RGB ke grayscale digunakan persamaan 3.1.

Konversi ke grayscale dilakukan dengan menggambil nilai V dari channel HSV

yang merupakan hasil konversi dari citra input (RGB), nilai V diambil karena nilai

ini hampir tidak terpengaruh refleksi cahaya pada citra daun sehingga tekstur

tulang daun akan tampak lebih jelas.

Setelah citra grayscale didapatkan, dilakukan proses blur untuk

memudarkan detail dari citra daun, digunakan kernel dengan ukuran cukup besar

(30x30) sehingga sebagian besar detail citra daun akan hilang dan lebih nampak

lebih ke bentuk dasarnya. Hasil konversi grayscale dan proses pengaburan citra

terdapat pada Gambar 4.6, sedangkan source code terdapat pada Gambar 4.5.

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

public Mat fGetVChannel(Mat src) throws IOException

{

Mat eyeball_HSV = new Mat();

List<Mat> hsv_channel = new ArrayList<Mat>();

//convert image to HSV

Imgproc.cvtColor(src, eyeball_HSV, Imgproc.COLOR_RGB2HSV, 0);

Core.split(eyeball_HSV, hsv_channel);

Mat matsrc = hsv_channel.get(2);

return matsrc;

}

public Mat fGetBlur (Mat matsrc)

{

Imgproc.blur(matsrc, matsrc, new Size(30,30));

return matsrc;

}

16Gambar 4.5 Metode untuk pengaburan citra dan konversi ke grayscale

36

17Gambar 4.6 Hasil proses blur dan konversi ke grayscale

4.1.4.2 Binary Threshold

Threshold yang digunakan adalah threshold binary invers dengan

ketentuan seperti yang terdapat pada persamaan 3.2. digunakan batas tersholding

yang cukup rendah, sehingga hasil yang didapatkan merupakan bentuk dasar citra

daun yang dapat mempermudah pada proses ekstraksi kontur daun dengan metode

Canny. Hasil proses thresholding terdapat pada Gambar 4.8 sedangkan source

code impelementasi metode terdapat pada Gambar 4.7

1

2

3

4

5

6

7

8

public Mat fGetBinary (Mat matsrc) {

Mat Outter = matsrc.clone();

//threshold binary

Imgproc.threshold(Outter, Outter, 230, 255, Imgproc.THRESH_BINARY_INV);

return Outter;

}

18Gambar 4.7 Metode Binary Threshold

19Gambar 4.8 Hasil proses Binary Thresholding

37

4.1.4.3 Ekstraksi Kontur Daun dengan Metode Canny

Untuk mendapatkan kontur citra daun yang akan digunakan pada metode

MARCH, digunakan metode Canny dengan menggunakan kernel ukuran (3x3) dan

nilai threshold (80, 100). hasil dari ekstraksi kontur berupa array kumpulan titik

pada kontur. Hasil ekstraksi kontur daun menggunakan metode Canny terdapat

pada Gambar 4.10 sedangkan source code impelementasi metode terdapat pada

Gambar 4.9

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

public Mat fGetCannyContour (Mat Outter)

{

Imgproc.Canny(Outter, Outter, 80, 100);

contours = new ArrayList<MatOfPoint>();

Mat hierarchy = new Mat();

findContours(Outter, contours, hierarchy, Imgproc.RETR_LIST,

Imgproc.CHAIN_APPROX_NONE);

//dapatkan countour terbesar

int largest_contour_index= 0;

double largest_area = 0;

for( int i = 0; i< contours.size(); i++ )

{

// Find the area of contour

double a=contourArea(contours.get(i),false);

if(a>largest_area){

largest_area=a;

largest_contour_index=i;

// Find the bounding rectangle for biggest contour

//bounding_rect=boundingRect(contours[i]);

}

}

Rect rect = Imgproc.boundingRect(contours.get(largest_contour_index));

rectArea1 = rect.area();

conturArea1 = largest_area;

MatOfPoint2f NewMtx = new MatOfPoint2f(

contours.get(largest_idx).toArray());

// MatOfPoint2f NewMtx2= (MatOfPoint2f) NewMtx.clone();

perimeter1 = Imgproc.arcLength(NewMtx, true);

largest_idx =largest_contour_index;

RotatedRect rect1;

try {

rect1 = Imgproc.fitEllipse(NewMtx);

eccentricity = rect1.size.height/rect1.size.width;

} catch (Exception e) {

eccentricity = 0;

System.out.println("eccentricity set to 0");

}

//gambar kontur ke new mat

Mat dst = new Mat(Outter.size(),CvType.CV_8UC1);

Imgproc.drawContours(dst, contours, largest_contour_index, new

Scalar(255,255,255),1);

//return dst;

return dst;

}

}

20Gambar 4.9 Metode Ekstraksi Kontur dengan Canny

38

21Gambar 4.10 Hasil Proses Ekstraksi Kontur dengan Canny

4.1.5 Convex hull pada Kontur Daun

Operasi convex hull pada kontur daun digunakan untuk mendapatkan titik

acuan opearsi MARCH pada kontur daun. Titik acuan tersebut merupakan titik

convex hull yang terdapat pada kontur daun. Hasil dari tahapan ini adalah daftar

titik pada kontur daun yang merupakan titik convex hull. Implementasi operasi

convex hull pada kontur daun terdapat pada Gambar 4.11

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

public Mat GetConvexHaul(List<MatOfPoint> contours,int largest_contour_index,

Mat src)

{

MatOfInt hullpoint = new MatOfInt();

Mat dst = src.clone();

Imgproc.convexHull(contours.get(largest_contour_index),hullpoint);

int[] intlist = hullpoint.toArray();

l = new ArrayList<Point>();

l.clear();

for (int i = 0; i < intlist.length; i++) {

l.add(contours.get(largest_contour_index).toList().get(hullpoint.toList().get(i))

);

}

Mat mathull = Converters.vector_Point_to_Mat(l);

List<MatOfPoint> hull = new ArrayList<MatOfPoint>();

MatOfPoint p = new MatOfPoint();

//edit

p.fromList(l);

hull.add(p);

MatOfPoint2f NewMtx = new MatOfPoint2f(p.toArray());

perimeterConvexhull1 = Imgproc.arcLength(NewMtx, true);

convexhullArea = contourArea(p,false);

//sampai sini

Imgproc.drawContours(dst, hull, 0, new Scalar(255,255,255));

return dst;

}

22Gambar 4.11 Metode convex hull pada kontur daun

39

4.1.6 Ekstraksi Kerangka Tulang Daun Menggunakan Morfologi

Untuk mendapatkan kerangka tulang daun digunakan metode ekstraksi tulang

daun pada citra grayscale yang diperkenalkan oleh (Zheng,2010). Ekstraksi

kerangka tulang daun dilakukan dengan mengurangkan (substract) hasil operasi

top-hat dan operasi bottom-hat dari citra grayscale yang didapatkan sebelumnya.

Untuk menghilangkan garis kontur, hasil dari pengurangan dari operasi tophat dan

bottomhat dikurangkan dengan hasil dilatasi citra kontur dari opersai ekstraksi

kontur dengan canny dengan menggunakan ukuran kernel yang cukup besar. Hasil

yang didaptkan dari proses ekstraksi kerangka tulang daun terdapat pada Gambar

4.13, sedangkan source yang digunakan terdapat pada Gambar 4.12

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

public Mat fGetVeinMorp3 (Mat matsrc, Mat Contour)

{

//Imgproc.blur(matsrc, matsrc, new Size(3, 3));

Mat element = Imgproc.getStructuringElement(Imgproc.MORPH_CROSS, new

Size(6, 6));

Mat element0 = Imgproc.getStructuringElement(Imgproc.MORPH_CROSS, new

Size(7, 7));


Size(3, 3));


Size(30, 30));

//matsrc.convertTo(matsrc,-1, 2.2, 50);

//Imgproc.erode(matsrc, matsrc, element2);

//matsrc = mat_to_canny(matsrc);

Mat temp1 = new Mat(matsrc.size(),CvType.CV_8UC1);




temp3 = Contour;

Imgproc.blur(matsrc, matsrc, new Size(3, 3));

Imgproc.morphologyEx(matsrc, temp1, Imgproc.MORPH_BLACKHAT, element);

Imgproc.morphologyEx(matsrc, temp2, Imgproc.MORPH_TOPHAT, element);

Core.subtract(temp2, temp1, matsrc);

Imgproc.dilate(temp3, temp3, element2);

Core.subtract(matsrc, temp3, temp4);

Imgproc.erode(temp4, temp4, element);

//Imgproc.erode(temp4, temp4, element1);

return temp4;

}

23Gambar 4.12 Metode Ekstraksi Kerangka Tulang

40

24Gambar 4.13 Hasil Ekstraksi Kerangka Tulang

4.1.7 Convex hull pada Ruas Tulang Daun

Titik acuan operasi MARCH pada ruas tulang daun merupakan titik convex

hull yang terdapat pada ruas tulang daun. Input parameter convex hull adalah

kumpulan titik yang terdapat pada ruas tulang daun. Kontur pada ruas tulang daun

didapatkan dengan menghubungkan tiap titik convex hull yang sudah didapat. Dari

titik convex hull dan kontur dapat dilakukan operasi MARCH pada ruas tulang

daun. Implementasi kode untuk mendapatkan convex hull serta kontur dari ruas

tulang daun terdapat pada Gambar 4.14 sedangkan hasil convex hull dari ruas

tulang daun terdapat pada Gambar 4.15

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

public Mat fGetOutterVeinCh2 (Mat matsrc) {

//Imgproc.Canny(matsrc, matsrc, 10, 40);

Mat dst = new Mat(matsrc.size(),CvType.CV_8UC1);

Mat Outter = matsrc.clone();

List<MatOfPoint> contours2 = new ArrayList<MatOfPoint>();

Mat hierarchy = new Mat();

// findContours

findContours(Outter, contours2, hierarchy, Imgproc.RETR_LIST,



MatOfInt hullpoint = new MatOfInt();

MatOfInt hullpoint2 = new MatOfInt();

List<MatOfPoint> hull = new ArrayList<MatOfPoint>();

List<MatOfPoint> hull2 = new ArrayList<MatOfPoint>();

l1_inner = new ArrayList<Point>();

l2_inner= new ArrayList<Point>();

for( int i = 0; i< contours2.size(); i++ )

{ //l.clear();

Imgproc.convexHull(contours2.get(i), hullpoint);

41

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

int intlist = (int) hullpoint.size().height;

for (int j = 0; j < intlist; j++)

{

l1_inner.add(contours2.get(i).toList().get(hullpoint.toList().get(j)));

}

// Mat mathull = Converters.vector_Point_to_Mat(l);

}

MatOfPoint p = new MatOfPoint();

p.fromList(l1_inner);

hull.add(p);

//new

if(p.empty())

{

System.out.println(Filepathg);

return null;

}

Imgproc.convexHull(p, hullpoint2);

int intlist = (int) hullpoint2.size().height;

for (int j = 0; j < intlist; j++)

{

l2_inner.add(p.toList().get(hullpoint2.toList().get(j)));

}

MatOfPoint p2 = new MatOfPoint();

p2.fromList(l2_inner);

hull2.add(p2);

Imgproc.drawContours(dst, hull2, 0, new Scalar(255,255,255),1);

//Imgproc.Canny(dst, dst, 80, 100);

contours_inner = new ArrayList<MatOfPoint>();

Mat hierarchy2 = new Mat();

findContours(dst, contours_inner, hierarchy2, Imgproc.RETR_LIST,



int largest_contour_index= 0;

double largest_area = 0;

for( int i = 0; i< contours_inner.size(); i++ )

{

// Find the area of contour

double a=contourArea(contours_inner.get(i),false);

if(a>largest_area){

largest_area=a;

largest_contour_index=i;

// Find the bounding rectangle for biggest contour

//bounding_rect=boundingRect(contours[i]);

}

}

largest_idx_inner =largest_contour_index;

return dst;

}

25Gambar 4.14 Metode Convex hull pada Ruas Tulang Daun

42

26Gambar 4.15 Hasil Metode Convex hull pada Ruas Tulang Daun

4.1.8 Operasi MARCH

Operasi MARCH dilakukan pada kontur daun dan kontur ruas tulang daun

dengan acuan titik convex hull pada masing masing kontur. Tahap pertama dari

operasi MARCH adalah mendapatkan nilai K (maksimum nilai skala yang

digunakan). Nilai K didapatkan dari Log2(N) jumlah piksel pada kontur.

selanjutnya untuk setiap nilai K, dihitung nilai arch height pada tiap titik acuan.

Setelah nilai arch height didapatkan, dapat dihitung nilai alfa dan beta. Alfa

merupakan nilai absolut dari arch heigth titik acuan pada kontur daun sedangkan

beta adalah nilai absolut dari arch heigth titik acuan pada kontur ruas tulang daun.

Masing masing nilai alfa dan beta dimasukkan ke persamaan DFT untuk

mendapatkan nilai dan yang merupakan nilai koefisien magnitude

DFT. nilai dan akan dijadikan sebagai vektor fitur. Implementasi

tiap tahapan metode dibagi menjadi beberapa point diantaranya:

a. Hitung Nilai K

Nilai k merupakan hasil log2 N (x) di mana X adalah jumlah piksel pada

kontur, implementasi kode program untuk mendapatkan nilai K terdapat

pada gambar

1

2

3

4

5

6

public int getKscale(int jmlPixel)

{

int k = (int) (Math.log(jmlPixel)/Math.log(2));

return k-1;

}

27Gambar 4.16 Metode Hitung Nilai K

43

b. Hitung Nilai Arch height

Nilai arch height pada tiap titik acuan pada kontur di hitung berdasarkan

skala yang digunakan, skala maksimum adalah sama dengan nilai K.

perhitungan arch height mengacu pada persamaan 2.7. implementasi kode

program untuk mendapatkan nilai arch height pada satu titik acuan dengan

skala K terdapat pada Gambar 4.17

1

2

3

4

5

6

7

8

9

10

11

12

13

14

public double getArchHegiht2(List<Point> Contour, Point Cord,int

Kscale, int jumPixel)

{

double archlength = jumPixel/(Math.pow(2, Kscale));

List<Point> LR = getLeftRight2(Contour, Cord, archlength);

Point Left = LR.get(0);

Point Right = LR.get(1);

double atas = (Cord.x - (Right.x))*((Right.y)-( Left.y))-(Cord.y-

(Left.y)*((Right.x)-(Left.x)));

double bawah = Math.floor(Math.pow(((Right.x)-(Left.x)),2) +

Math.pow(((Right.y)-(Left.y)),2));

double archHeight = atas/bawah;

return archHeight;}

28Gambar 4.17 Metode Hitung Nilai Arch height

c. Hitung Nilai Beta

Nilai beta dapat didapatkan setelah nilai arch heigh didapat. Pada metode

MARCH nilai beta merupakan penggambaran lengkung atau cembung arch

height pada suatu titik acuan. Namun pada Modified MARCH Nilai beta

merupakan Arch Height pada Convex hull tulang daun yang dihitung

dengan persamaan 2.7. Implementasi kode program dalam mendapatkan

nilai beta terdapat pada Gambar 4.18.

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

29

30

public List<Integer> getListBeta(List<Double> ArchList)

{

int result;

List<Integer> beta = new ArrayList<>();

for (Iterator<Double> it = ArchList.iterator(); it.hasNext();) {

double item = it.next();

if(item >0)

{

result = 1;

}

else

{

result = 0;

}

beta.add(result);

}

return beta;

}

29Gambar 4.18 Metode Hitung Nilai Beta

44

d. Hitung Nilai Alfa

Nilai alfa merupakan nilai absolut dari Arch Height pada skala ke -k,

implementasi kode program untuk mendapatkan nilai alfa terdapat pada

Gambar 4.19

1

2

3

4

5

6

7

8

9

10

11

public List<Double> getListAlpha(List<Double> ArchList)

{

int result;

List<Double> alpha = new ArrayList<>();

for (Iterator<Double> it = ArchList.iterator(); it.hasNext();) {

double item = it.next();

alpha.add(Math.abs(item));

}

return alpha;

}

30Gambar 4.19 Metode Hitung Nilai Alfa

e. Persamaan DFT

Masing-masing nilai Alfa dan Beta yang sudah didapat dimasukkan ke

dalam persamaan 2.6 untuk mendapatkan nilai dan , deret

nilai dan inilah yang dijadikan vektor fitur. Implementasi

kode program untuk persamaan DFT yang digunakan terdapat pada

Gambar 4.20

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

public double getDFTdb(List<Double> ArchList,int k)

{

int length = ArchList.size();

boolean flag = false;

if (length %2 ==1)

{

flag = true;

length = length+1;

}

double [] data = new double[length];

if(flag)

{

for (int i=0;i<length-1;i++)

{

data[i] = ArchList.get(i);

}

data[length-1] =0.0;

}

else

{

for (int i=0;i<length;i++)

{

data[i] = ArchList.get(i);

}

}

FourierTransform ft1 = new FourierTransform();

ft1.setFftData(data);

ft1.transform();

double val =0;

Complex [] hasil = ft1.getTransformedDataAsComplex();

for (int i=0;i<hasil.length;i++)

{

45

31Gambar 4.20 Metode DFT

f. Hitung Similaritas

Pengukuran similaritas antara vektor fitur citra query dengan vektor fitur

dataset, digunakan persamaan 2.10 Implementasi kode program pengukuran

similaritas terdapat pada Gambar 4.21

32Gambar 4.21 Metode Hitung Similaritas

4.1.9 Implementasi Webservice pada Webserver

Web service digunakan untuk memproses request dari smartphone yang

mengirimkan data berupa vektor fitur dari metode Modified MARCH yang

dijalankan pada smartphone. Operasi yang dijalankan pada web server adalah

menghitung jarak (implementasi persamaan 2.10) antara vektor fitur request yang

dikirim dari smartphone dengan vektor fitur yang terdapat pada database serta

mengirimkan hasil berupa sejumlah data pada dataset yang memiliki jarak

terdekat dengan vektor fitur request. implementasi kode program yang dijalankan

pada web server terdapat pada Gambar 2.22. Selain untuk implementasi web

service aplikasi berbasis Java pada server digunakan untuk pengujian dan

34

35

36

37

38

39

val += hasil[i].squareAbs();

}

val = val/hasil.length;

return val;

}

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

public double getDiff2d(List<Double> alpha1,List<Double> alpha2,List<Double>

beta1,List<Double> beta2,List<Double> prop1,List<Double> prop2)

{

int kmin = alpha1.size()<alpha2.size()?alpha1.size():alpha2.size();

int k2min = beta1.size()<beta2.size()?beta1.size():beta2.size();

int k3max = prop1.size();

double jumlahAlpha=0;

double jumlahBeta=0;

double jumlahProp=0;

for(int l=0;l<kmin;l++)

{

jumlahAlpha += (Math.abs(alpha1.get(l)-alpha2.get(l)));

}

for(int m=0;m<k2min;m++)

{

jumlahBeta += (Math.abs(beta1.get(m)-beta2.get(m)));

}

for(int m=0;m<k3max;m++)

{

jumlahProp += (Math.abs(prop1.get(m)-prop2.get(m)));

}

return jumlahAlpha+(jumlahBeta)+(150* jumlahProp);

} }}

46

pengukuran nilai average precission. Implementasi aplikasi berbasis Java SE

terdapat pada Gambar 2.23

33Gambar 4.22 Implementasi Webservice pada Webserver

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

<?php

class ModMARCHController extends Controller

{

public function actionIndex()

{

$this->render('index');

}

public function actionGetresult()

{

$StringFitur =$_REQUEST['fitur'];

//"0.0,0.1,0.11,0.23,0.34|0.0,0.1,0.11,0.23,0.34";

$diff = [];

$diffreturn = [];

$i=0;

$start = microtime(true);

$LsVwFitur = VwVektorFitur::model()->findAll();

foreach($LsVwFitur as $fitur)

{

$diff[$i] = new Diff();

$diff[$i]->Spesies = $fitur->spesies;

$diff[$i]->filepath = $fitur->file_location;

$diff[$i]->gbrIdx = $fitur->gbr_daun_id;

$diff[$i]->webloc = $fitur->file_loc_web;

//perhitungan

$alphabeta1 = $this->getAlphaBeta($fitur->vektor_fitur);

$alpha1 = $this->toDouble($alphabeta1[0]);

$beta1 = $this->toDouble($alphabeta1[1]);

$alphabeta2 = $this->getAlphaBeta2($StringFitur);

$alpha2 = $this->toDouble($alphabeta2[0]);

$beta2 = $this->toDouble($alphabeta2[1]);

$diff[$i]->diff = $this->getDiff($alpha1, $beta1, $alpha2,

$beta2);

$i++;

}

usort($diff, array($this, "cmp"));

$time_elapsed_secs = microtime(true) - $start;

for($i=0;$i<10;$i++)

{

$diffreturn[$i] = $diff[$i];

$diffreturn[$i]->time = $time_elapsed_secs;

}

header('Content-type: application/json');

echo CJSON::encode($diffreturn);

Yii::app()->end();

}

47

34Gambar 4.23 Implementasi pada Aplikasi Desktop Server

4.1.10 Implementasi pada Smartphone

Implementasi metode Modified MARCH pada smartphone sama dengan

implementasi pada lingkungan Java, namun proses pada smartphone hanya

dilakukan ekstraksi fitur dari citra query. Pengukuran similiratias dengan vektor

fitur pada database dilakukan pada webserver melalui webservice. aplikasi

Modified MARCH pada smartphone mengirimkan request ke web server berupa

vektor fitur citra query, kemudian web server merespon dengan memberikan

beberapa data dari dataset yang memiliki vektor fitur dengan rangking similaritas

tertinggi, serta data waktu yang dibutuhkan untuk pengukuran similaritas pada sisi

server. Total waktu komputasi yang dibutuhkan metode Modified MARCH pada

smartphone adalah jumlah dari total waktu ekstraksi fitur citra query pada

smartphone ditambah dengan waktu yang dibutuhkan untuk pengukuran

similaritas pada sisi server. Screenshoot implementasi metode Modified MARCH

pada smartphone terdapat pada Gambar 4.25, sedangkan source code

implementasi mMARCH pada smartphone terdapat pada Gambar 4.24

48

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

protected List<Diff> MmarchOperation(String Path)

{

File gbrPath = new File(Path);

try {

ModMarchLib marchLib = new ModMarchLib();

double startTime = System.nanoTime();

// mmarch.operation(gbrPath.getAbsolutePath());

mmarch.Doperation(gbrPath.getAbsolutePath());

//mmarch.OriOperation(gbrPath.getAbsolutePath());

double endTime = System.nanoTime();

duration = (endTime - startTime);

duration = duration / 1000000;

alpha = mmarch.refDftAlpha;

beta = mmarch.refDftBeta;

prop = mmarch.AddedProp;

String fitur = marchLib.ListToString(alpha)+"_"+

marchLib.ListToString(beta)+"_"+marchLib.ListToString(prop)+"_1,1";

LongOperation Lo = new LongOperation(fitur);

String Respon = Lo.execute().get();

Gson gson = new Gson();

Type listType = new TypeToken<List<Diff>>(){}.getType();

List<Diff> posts = (List<Diff>)gson.fromJson(Respon, listType);

return posts;

} catch (IOException e) {

e.printStackTrace();

} catch (InterruptedException e) {


} catch (ExecutionException e) {


}

return null;

} protected void onCreate(Bundle savedInstanceState) {

super.onCreate(savedInstanceState);

setContentView(R.layout.activity_result);

ListView LV = (ListView)findViewById(R.id.listView);

ListView list;

LazyAdapter adapter;

Bundle extras = getIntent().getExtras();

if (extras != null) {

Path = extras.getString("FILEPATH");

File imgFile = new File(Path);

//set image query

if(imgFile.exists()){

Toast.makeText(getBaseContext(), "Harap Tunggu Sedang Proses.",

Toast.LENGTH_LONG).show();

Bitmap myBitmap =

BitmapFactory.decodeFile(imgFile.getAbsolutePath());

ImageView myImage = (ImageView) findViewById(R.id.imageView);

myImage.setImageBitmap(myBitmap);

List<Diff> LD = MMARCHOperation(Path);

serverproses = LD.get(0).getTime();

List<String>values = new ArrayList<>();

String [] text = new String [LD.size()];

String [] weblocation = getUrl(LD,"http://10.0.2.2/");

int i=0;

for(Diff df: LD)

{

values.add(df.getSpesies()+"\n"+df.getWebloc());

text[i] = df.getSpesies();

i++;

}

list=(ListView)findViewById(R.id.listView);

adapter=new LazyAdapter(this, weblocation);

adapter.text1 = text;

list.setAdapter(adapter);

49

35Gambar 4.24 Kode Implementasi pada Smartphone

36Gambar 4.25 Implementasi pada Smartphone

72

73

74

75

76

77

78

79

80

81

TextView imgClose = (TextView)findViewById(R.id.resultext);

imgClose.setText(Path);

TextView exec = (TextView)findViewById(R.id.waktuekstraksi);

exec.setText("Waktu Ekstraksi :" +duration + "ms");

TextView execserver = (TextView)findViewById(R.id.proseserver);

execserver.setText("Proses Server :" +serverproses + "ms");

TextView exectotal = (TextView)findViewById(R.id.totalproses);

exectotal.setText(" Total Waktu Proses :" +(serverproses+duration) +

"ms");

}

}

}

51

BAB 5

HASIL PENELITIAN DAN PEMBAHASAN

Pada bab ini merupakan pembahasan hasil pengujian metode yang

dikembangkan pada penelitian ini. Dataset yang digunakan untuk uji coba adalah

dataset falvia. Secara garis besar pengujian skenario uji coba dibagi menjadi dua.

Pengujian pertama dilakukan untuk menilai akurasi dari metode Modified MARCH

dengan mendapatkan nilai MAP (Mean Average Precission). Selanjutnya,

Skenarion pengujian kedua dilakukan untuk menilai waktu komputasi yang

dibutuhkan metode Modified MARCH pada smartphone. Hasil evaluasi dari

metode yang diusulkan akan dibandingkan dengan metode sebelumnya.

5.1 Lingkungan Uji Coba

Dari dua jenis grais besar skenario uji coba, pengujian pertama dilakukan

pada komputer dengan spesifikasi prosesor Intel Core i3 dengan memori RAM

DDR III 4 GB dan sistem operasi Microsoft Windows 7. Aplikasi yang dibangun

berjalan di atas Java Runtime Standard Edition 7 dengan database menggunakan

MySQL dan library pengolah grafis OpenCV.

Lingkungan uji coba kedua ditujuakan untuk evaluasi waktu komputasi

pada smartphone, pada lingkungan ini digunakan Oracle Virtual Box untuk

menjalankan sistem operasi Android 4.0 (ice cream sandwich) dengan resource

memori sebesar 512 MB. Untuk impelementasi web service digunakan PHP 5.4 +

Yii Framework dan Apache webserver.

5.2 Karakteristik Data dan Skenario Uji Coba

Dataset Falvia terdiri dari 1907 gambar yang terdiri dari 32 spesies daun, tiap

spesies terdiri 50 hingga 77 gambar. Uji coba pada penelitian ini terdapat dua

sekenario. Skenario pertama untuk mengukur nialai MAP sedangkan skenario

kedua untuk mengukur waktu komputasi metode modified MARCH.

Skenario pengujian pertama dibagi menjadi dua cara pengujian. pengujian

pertama dataset dibagi menjadi dua bagian, tiap spesies diambil 40 data untuk

52

training dan sisanya untuk data testing. Pada cara ini dilakukan pengujian untuk

masing – masing hasil uji sebanyak 10, 15 dan 20 peringkat teratas.

Cara kedua pada skenario pertama menggunakan k-fold cross validation.

Pada cara ke dua ini tiap spesies diambil masing masing 50 citra sehingga total

citra pada dataset sejumlah 1600 citra. Dari sejumlah tersebut dibagi menjadi

sejumlah 5 buah kelas secara acak. Kemudian dilakukan sejumlah 5 kali

eksperimen, di mana masing-masing eksperimen menggunakan data kelas ke-k

sebagai data testing dan sisa kelas lainnya sebagai data training. Nilai MAP

didapatkan dari rata-rata nilai Average Precission yang didapatkan tiap query uji

coba.

Skenario uji coba kedua adalah pengukuran waktu komputasi pada

smartphone, pengukuran waktu komputasi dilakukan dengan mengabil nilai rata-

rata waktu komputasi query dari tiap spesies. Total waktu komputasi adalah waktu

ekstraksi (pada smartphone) ditambah dengan waktu pengukuran similarias vektor

fitur (pada server).

5.2.1 Hasil Uji Coba Skenario I

Hasil uji coba skenario I masing – masing untuk hasil teretrive sejumlah 10, 15

dan 20 result set. Total pengujian adalah sejumalah 627 x 6 (3762 kali pengujian)

terdapat pada Tabel 5.1 sedangkan grafik hasil pengujian terdapat pada Gambar

5.1, 5.2 dan 5.3. pada Tabel 5.1 ditampilkan nilai MAP untuk tiap spesies dalam

bentuk pembulatan 2 angka desimal.

2Tabel 5.1 Hasil Uji Coba Skenario I

No Spesies Jumlah

Data Uji

MMARCH (MAP) MARCH (MAP)

10 15 20 10 15 20

1 Acer buergerianum

Miq - trident maple

13 0.97 0.94 0.93 0.86 0.84 0.81

2 Acer Palmatum -

Japanese maple

16 0.84 0.83 0.82 0.77 0.69 0.65

3 Aesculus chinensis -

Chinese horse chestnut

23 0.63 0.60 0.56 0.51 0.48 0.45

4 Berberis anhweiensis

Ahrendt - Anhui

25 0.81 0.76 0.73 0.84 0.81 0.78

53

Barberry

5 Cedrus deodara

(Roxb.) G. Don -

deodar

37 0.76 0.76 0.76 0.98 0.98 0.98

6 Cercis chinensis -

Chinese redbud

32 0.96 0.94 0.90 0.88 0.85 0.83

7 Chimonanthus praecox

L. - wintersweet

12 0.70 0.67 0.65 0.59 0.58 0.55

8 Cinnamomum

camphora (L.) J. Presl

- camphortree

25 0.60 0.56 0.54 0.53 0.50 0.47

9 Cinnamomum

japonicum Sieb. -

Chinese cinnamon

15 0.52 0.51 0.48 0.31 0.32 0.31

10 Citrus reticulata

Blanco - tangerine

16 0.71 0.69 0.67 0.74 0.72 0.70

11 Ginkgo biloba L. -

ginkgo, maidenhair

tree

22 0.72 0.69 0.66 0.71 0.66 0.63

12 Ilex macrocarpa Oliv.

- Big-fruited Holly

10 0.85 0.82 0.79 0.60 0.47 0.42

13 Indigofera tinctoria L.

- Japanese maple

33 1.00 1.00 1.00 0.93 0.89 0.87

14 Kalopanax

septemlobus (Thunb.

ex A.Murr.) Koidz. -

castor aralia

12 0.89 0.89 0.88 0.82 0.79 0.77

15 Koelreuteria

paniculata Laxm. -

goldenrain tree

19 0.55 0.52 0.50 0.61 0.57 0.55

16 Lagerstroemia indica

(L.) Pers. - Crape

myrtle, Crepe myrtle

21 0.48 0.42 0.38 0.58 0.54 0.51

17 Ligustrum lucidum

Ait. f. - Glossy Privet

15 0.60 0.56 0.54 0.47 0.44 0.43

18 Liriodendron chinense

(Hemsl.) Sarg. -

Chinese tulip tree

13 0.80 0.75 0.72 0.92 0.88 0.83

19 Magnolia grandiflora

L - southern magnolia

17 0.67 0.63 0.60 0.74 0.68 0.63

54

20 Mahonia bealei

(Fortune) Carr -

Beales barberry

15 0.87 0.87 0.86 0.79 0.76 0.71

21 Manglietia fordiana

Oliv. - Ford

Woodlotus

12 0.87 0.85 0.81 0.70 0.66 0.63

22 Nerium oleander L. –

oleander

26 0.94 0.91 0.88 0.86 0.84 0.82

23 Osmanthus fragrans

Lour. - sweet

osmanthus

16 0.69 0.67 0.62 0.62 0.56 0.52

24 Phoebe nanmu (Oliv.)

Gamble - Nanmu

22 0.77 0.72 0.68 0.78 0.72 0.68

25 Phyllostachys edulis

(Carr.) Houz. -

pubescent bamboo

19 0.57 0.52 0.48 0.75 0.72 0.68

26 Pittosporum tobira

(Thunb.) Ait. f. -

Japanese cheesewood

23 0.72 0.67 0.65 0.68 0.64 0.61

27 Podocarpus

macrophyllus (Thunb.)

Sweet - yew plum pine

20 0.84 0.82 0.80 0.76 0.74 0.72

28 Populus canadensis

Moench - Canadian

poplar

24 0.89 0.89 0.87 0.81 0.75 0.72

29 Prunus persica (L.)

Batsch - peach

14 0.48 0.46 0.45 0.69 0.64 0.62

30 Prunus serrulata Lindl.

var. lannesiana auct. -

Japanese Flowering

Cherry

15 0.78 0.74 0.71 0.72 0.64 0.60

31 Tonna sinensis M.

Roem. - Chinese Toon

25 0.83 0.80 0.77 0.67 0.63 0.60

32 Viburnum awabuki

K.Koch - Japan

Arrowwood

20 0.66 0.61 0.58 0.79 0.77 0.77

Rata – Rata MAP

0.76 0.73 0.71 0.74 0.70 0.67

MMARCH : 0.73 MARCH :0.70

55

Dari hasil pengujian skenario I cara pertama didapatkan MAP untuk metode

Modifed MARCH untuk hasil pengujian 10,15 dan 20 peringkan teratas adalah

0.76, 0.73, 0.71 sedangkan metode MARCH 0.74, 0.70, 0.67 dari data tersebut

metode Modifed MARCH memiliki nilai MAP lebih tinggi dibanding metode

MARCH.

37Gambar 5.1 Grafik Hasil Uji Coba Skenario I (10 Peringkat Hasil)

38Gambar 5.2 Grafik Hasil Uji Coba Skenario I (15 Peringkat Hasil))

0

0.2

0.4

0.6

0.8

1

1.2

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

MAP

Spesies Ke-

MMARCH

MARCH

0

0.2

0.4

0.6

0.8

1

1.2

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

MAP

Spesies Ke-

MMARCH

MARCH

56

39Gambar 5.3 Grafik Hasil Uji Coba Skenario I (20 Peringkat Hasil))

Uji coba ke – II merupakan uji coba untuk mengukur nilai MAP dengan

menggunakan skenario I cara ke dua. hasil yang diapat pada ujicoba ke – II

terdapat pada Tabel 5.2.

3Tabel 5.2 Hasil Uji Coba Skenario I Cara II

Partisi ke MMARCH (MAP) MARCH (MAP)

1 0.71 0.68

2 0.76 0.70

3 0.75 0.68

4 0.73 0.69

5 0.75 0.70

Rata – Rata MAP 0.74 0.69

4

Dari uji coba kedua didapatkan rata – rata nilai MAP untuk MMARCH dibanding

MARCH adalah 0.74 : 0.69. dari pengujian kedua ini didapatkan nilai MAP untuk

metode MMARCH lebih tinggi dibanding metode MARCH.

5.2.2 Hasil Uji Coba Skenario II

Pengujian skenario II bertujuan untuk mengetahui waktu komputasi yang

dibutuhkan metode MARCH dan Modified MARCH pada smartphone. Pengujian

dilakukan sebanyak 32 kali (tiap sepesies satu kali pengujian). Hasil uji coba

0

0.2

0.4

0.6

0.8

1

1.2

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

MAP

Spesies Ke-

MMARCH

MARCH

57

skenario II terdapat pada Tabel 5.3. sedangkan grafik hasil pengujian terdapat

pada Gambar 5. 4.

5Tabel 5.3 Hasil Uji Coba Waktu Komputasi Pada Smartphone

No Spesies File Uji Waktu

Komputasi

MMARCH

(milisecond)

Waktu

Komputasi

MARCH

(milisecond)

1 Acer buergerianum Miq - trident maple 3317.png 597 1028

2 Acer Palmatum - Japanese maple 1273.png 502 1218

3 Aesculus chinensis - Chinese horse chestnut 1064.png 1077 871

4 Berberis anhweiensis Ahrendt - Anhui

Barberry

1557.png 731 660

5 Cedrus deodara (Roxb.) G. Don - deodar 2355.png 607 600

6 Cercis chinensis - Chinese redbud 1126.png 1435 900

7 Chimonanthus praecox L. - wintersweet 2158.png 1151 1109

8 Cinnamomum camphora (L.) J. Presl –

camphortree

2170.png 779 689

9 Cinnamomum japonicum Sieb. - Chinese

cinnamon

1522.png 956 858

10 Citrus reticulata Blanco - tangerine 3577.png 1520 947

11 Ginkgo biloba L. - ginkgo, maidenhair tree 2430.png 1203 959

12 Ilex macrocarpa Oliv. - Big-fruited Holly 2024.png 1237 784

13 Indigofera tinctoria L. - Japanese maple 1202.png 622 471

14 Kalopanax septemlobus (Thunb. ex A.Murr.)

Koidz. - castor aralia

1405.png 605 834

15 Koelreuteria paniculata Laxm. - goldenrain

tree

1449.png 697 566

16 Lagerstroemia indica (L.) Pers. - Crape

myrtle, Crepe myrtle

2499.png 1878 387

17 Ligustrum lucidum Ait. f. - Glossy Privet 3068.jpg 1503 1405

18 Liriodendron chinense (Hemsl.) Sarg. -

Chinese tulip tree

3528.png 1269 1300

19 Magnolia grandiflora L - southern magnolia 3406.png 1429 1024

58

40Gambar 5.4 Grafik Hasil Uji Coba Skenario II

0

200

400

600

800

1000

1200

1400

1600

1800

2000

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

MMARCH

MARCH

20 Mahonia bealei (Fortune) Carr - Beales

barberry

3344.png 1055 1164

21 Manglietia fordiana Oliv. - Ford Woodlotus 3258.png 1414 931

22 Nerium oleander L. - oleander 2584.png 1050 837

23 Osmanthus fragrans Lour. - sweet

osmanthus

2306.png 1146 759

24 Phoebe nanmu (Oliv.) Gamble - Nanmu 1376.png 933 841

25 Phyllostachys edulis (Carr.) Houz. -

pubescent bamboo

1013.png 736 741

26 Pittosporum tobira (Thunb.) Ait. f. -

Japanese cheesewood

2057.png 994 828

27 Podocarpus macrophyllus (Thunb.) Sweet -

yew plum pine

2625.png 756 736

28 Populus canadensis Moench - Canadian

poplar

3462.png 1243 758

29 Prunus persica (L.) Batsch - peach 3197.png 1431 853

30 Prunus serrulata Lindl. var. lannesiana auct.

- Japanese Flowering Cherry

3016.png 981 914

31 Tonna sinensis M. Roem. - Chinese Toon 3125.png 886 712

32 Viburnum awabuki K.Koch - Japan

Arrowwood

2280.png 1506 984

Rata - Rata

1060.281 864.625

59

5.3 Analisa Hasil

Pada skenario uji coba skenario I cara satu didapatkan total nilai MAP

metode MMARCH dibandingkan dengan metode untuk pengujian MARCH adalah

0.73 : 0.70. Sedangkan perbandingan rata–rata MAP pada skenario I uji coba II

antara MMARCH dibanding MARCH adalah 0.74 : 0.69. dari kedua skenario uji

coba tersebut menunjukkan bahwa metode Modifed MARCH memiliki nilai MAP

lebih tinggi dibandingkan dengan metode MARCH.

Nilai MAP tertinggi metode MMARCH didapatkan dalam data uji spesies

daun Indigofera tinctoria L. - Japanese maple maple yaitu sebesar 100%. Hal ini

dikarenakan spesies tersebut memiliki kombinasi bentuk kontur daun dan tulang

daun yang relatif berebeda dibandingkan sepesies yang lain dalam dataset.

Nilai MAP tertinggi metode MARCH didapatkan dalam data uji spesies

daun Cedrus deodara (Roxb.) G. Don - deodar yaitu sebesar 0.98. Hal ini

dikarenakan spesies tersebut memiliki bentuk kontur daun yang berebeda

dibandingkan sepesies yang lain dalam dataset yaitu berbentuk jarum. Pada

metode MMARCH spesies daun Cedrus deodara (Roxb.) G. Don mendapatkan

nilai MAP 0.76 hal ini dikarenakan kerangka tulang daun Cedrus deodara (Roxb.)

G. Don yang berbentuk jarum juga dimiliki spesies lain pada dataset seperti

spesies Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine

41Gambar 5.5 Citra Indigofera tinctoria L. - Japanese maple, Cedrus deodara

(Roxb.) G. Don – deodar dan Podocarpus macrophyllus (Thunb.) Sweet - yew

plum pine

Nilai MAP terendah untuk metode MARCH terdapat pada spesies Daun

Cinnamomum japonicum Sieb. - Chinese cinnamon. Ligustrum lucidum Ait. f. -

Glossy Privet , Aesculus chinensis - Chinese horse chestnut. Dengan nilai MAP

untuk ujicoba I 10 hasil uji berturut – turut adalah 0.31, 0.47, 0.51. nilai MAP

60

pada metode MARCH yang rendah untuk beberapa jenis daun tersebut

dikarenakan daun tersebut memiliki bentuk kontur yang hamper sama. Dalam hal

ini dikarenakan basis metode MARCH adalah bentuk kontur daun.

Metode MMARCH memberikan kontribusi positif terhadap salah satu

kekurangan metode MARCH tersebut dengan penambahan fitur ruas tulang daun.

Pada metode MMARCH nilai MAP untuk ketiga jenis daun tersebut berturut turut

adalah 0.52, 0.60, 0.63.

42Gambar 5.6 Citra Daun Cinnamomum japonicum Sieb. - Chinese cinnamon,

Ligustrum lucidum Ait. f. - Glossy Privet , Aesculus chinensis - Chinese horse

chestnut

Dari skenario II pengujian didapatakan perbandingan rata – rata waktu

komputasi yang dibutuhkan untuk menjalankan metode MMARCH dibanding

MARCH adalah 1060 dibanding 864. Metode MMARCH memiliki waktu

komputasi yang sedikit lebih lama dibanding metode MARCH. hal ini dikarenakan

pada MMARCH terdapat penambahan metode untuk ekstraksi tulang daun. Selain

itu selisih waktu antara MARCH dengan MMARCH hanya 196 milisecond. Hal

ini dikarenakan selain penambahan fitur ruas tulang daun, pada metode MMARCH

menggunakan titik acuan pada kontur yang jauh lebih sedikit dibanding metode

MARCH. pada metode MMARCH jumlah titik acuan Arch Height yang digunakan

hanya berupa titik – titik pada ujung poligon convex hull sedangkan pada MARCH

menggunakan banyak titik acuan pada kontur.

61

BAB 6

KESIMPULAN DAN SARAN

Pada bab terakhir ini, ditarik beberapa kesimpulan yang didapat dari hasil

penelitian ini, juga saran yang dapat digunakan sebagai bahan pertimbangan untuk

pengembangan atau riset selanjutnya.

6.1 Kesimpulan

Berdasarkan aplikasi yang telah dibuat dan hasil yang didapat dari serangkaian

uji coba yang telah dilakukan, maka dapat ditarik beberapa kesimpulan atas

penelitian ini sebagai berikut :

1. Hasil uji coba menunjukkan metode Modified MARCH lebih unggul

dibanding metode MARCH dengan perbandingan rata – rata MAP

MMARCH dibanding MARCH untuk uji coba I adalah 0.73 : 070,

sedangkan untuk uji coba II adalah 0.74 : 069. hal ini membuktikan

bahwa penambahan fitur ruas tulang daun dapat memberikan kontribusi

yang positif terhadap proses temu kembali citra daun yang didasarkan

pada metode MARCH.

2. Perbandingan waktu komputasi yang dibutuhkan metode Modified

MARCH sedikit lebih lama dibanding metode MARCH, dengan

perbandingan 1060 : 864 milisecond

Dari kedua poin tersebut dapat ditarik kesimpulan bahwa untuk temu

kembali citra daun berbasis smartphone metode Modified lebih efektif

dibanding metode MARCH.

6.2 Saran

Dari penelitian yang telah dilakukan didapatkan bahwa metode Modified

MARCH walaupun memiliki nilai MAP lebih tinggi dibanding metode MARCH,

namun belum banyak menambah proses pengenalan daun dari sisi region intrinsik

daun dikarenakan metode MMARCH hanya mengambil fitur convex hull tulang

daun, oleh karena itu diperlukan penelitian lebih lanjut dengan mengambil fitur

62

intrinsik daun seperti tekstur daun dan dapat pula diterapkan proses clustering

untuk menambah akurasi.

67

LAMPIRAN

A. Hasil Uji Coba Sekenario I (MMARCH 15 Peringkat Hasil)

Nama Spesies File Uji v Index v Precission v Average

Precission

Ilex macrocarpa Oliv. - Big-fruited Holly 2044.png 7 1,3,4,6,7,8,9, 1.00,0.67,0.75,0.67,0.71,0.75,0.78, 0.760771

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2513.png 2 1,5,

1.00,0.40, 0.7

Osmanthus fragrans Lour. - sweet osmanthus 2340.png 4 1,4,5,8, 1.00,0.50,0.60,0.50, 0.65

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2061.png 0

0

Cinnamomum camphora (L.) J. Presl - camphortree 2193.png 7 1,2,3,4,5,6,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.70, 0.957143

Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2642.png 9 1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1011.png 2 4,7, 0.25,0.29, 0.267857

Viburnum awabuki K.Koch - Japan Arrowwood 2260.png 0

0

Ilex macrocarpa Oliv. - Big-fruited Holly 2014.png 8 1,3,4,5,6,7,9,10, 1.00,0.67,0.75,0.80,0.83,0.86,0.78,0.80, 0.810615

Acer Palmatum - Japanese maple 1323.png 9 1,3,4,5,6,7,8,9,10, 1.00,0.67,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.841226

Ligustrum lucidum Ait. f. - Glossy Privet 3086.png 0

0

Prunus persica (L.) Batsch - peach 3209.png 5 2,3,6,7,8, 0.50,0.67,0.50,0.57,0.63, 0.572619

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2521.png 3 1,3,7, 1.00,0.67,0.43, 0.698413

Ligustrum lucidum Ait. f. - Glossy Privet 3107.png 1 2, 0.50, 0.5

Cinnamomum japonicum Sieb. - Chinese cinnamon 1508.png 3 1,3,5, 1.00,0.67,0.60, 0.755556

Berberis anhweiensis Ahrendt - Anhui Barberry 1592.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1

Osmanthus fragrans Lour. - sweet osmanthus 2345.png 2 2,8, 0.50,0.25, 0.375

Acer Palmatum - Japanese maple 1273.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Ilex macrocarpa Oliv. - Big-fruited Holly 2021.png 1 8, 0.13, 0.125

Koelreuteria paniculata Laxm. - goldenrain tree 1462.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1

Berberis anhweiensis Ahrendt - Anhui Barberry 1604.png 8 1,2,3,4,5,6,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.78,0.80, 0.947222

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3054.png 6 1,2,4,5,7,10, 1.00,1.00,0.75,0.80,0.71,0.60, 0.810714

Citrus reticulata Blanco - tangerine 3600.png 4 1,3,4,6, 1.00,0.67,0.75,0.67, 0.770833

Acer buergerianum Miq - trident maple 3292.png 7 2,3,5,6,8,9,10, 0.50,0.67,0.60,0.67,0.63,0.67,0.70, 0.632143

Populus canadensis Moench - Canadian poplar 3468.png 9 1,2,3,4,5,6,7,8,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.90, 0.988889

Cinnamomum camphora (L.) J. Presl - camphortree 2171.png 4 2,4,5,10, 0.50,0.50,0.60,0.40, 0.5

Mahonia bealei (Fortune) Carr - Beales barberry 3353.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

68

Osmanthus fragrans Lour. - sweet osmanthus 2331.png 6 1,3,5,7,9,10, 1.00,0.67,0.60,0.57,0.56,0.60, 0.665608

Citrus reticulata Blanco - tangerine 3614.png 8 1,2,3,4,5,7,8,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.80, 0.941518

Acer buergerianum Miq - trident maple 3289.png 9 1,2,3,4,5,6,7,8,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1050.png 6 1,2,3,4,5,8, 1.00,1.00,1.00,1.00,1.00,0.75, 0.958333

Cedrus deodara (Roxb.) G. Don - deodar 2393.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Ginkgo biloba L. - ginkgo, maidenhair tree 2454.png 8 1,2,3,4,5,6,7,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.80, 0.975

Cercis chinensis - Chinese redbud 1128.png 8 1,2,3,4,6,7,9,10, 1.00,1.00,1.00,1.00,0.83,0.86,0.78,0.80, 0.908532

Mahonia bealei (Fortune) Carr - Beales barberry 3341.png 2 1,2, 1.00,1.00, 1

Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1425.png 0

0

Prunus persica (L.) Batsch - peach 3201.png 7 1,2,3,4,5,6,9, 1.00,1.00,1.00,1.00,1.00,1.00,0.78, 0.968254

Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2663.png 8 1,2,3,6,7,8,9,10, 1.00,1.00,1.00,0.67,0.71,0.75,0.78,0.80, 0.838591

Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3546.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Aesculus chinensis - Chinese horse chestnut 1071.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Koelreuteria paniculata Laxm. - goldenrain tree 1477.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1

Koelreuteria paniculata Laxm. - goldenrain tree 1452.png 6 1,2,3,4,7,8, 1.00,1.00,1.00,1.00,0.71,0.75, 0.910714


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Viburnum awabuki K.Koch - Japan Arrowwood 2273.png 7 1,2,3,4,5,6,9, 1.00,1.00,1.00,1.00,1.00,1.00,0.78, 0.968254


Koelreuteria paniculata Laxm. - goldenrain tree 1470.png 1 7, 0.14, 0.142857

Chimonanthus praecox L. - wintersweet 2160.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Aesculus chinensis - Chinese horse chestnut 1102.png 7 1,2,3,4,5,8,9, 1.00,1.00,1.00,1.00,1.00,0.75,0.78, 0.93254

Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3562.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phoebe nanmu (Oliv.) Gamble - Nanmu 1365.png 3 5,6,8, 0.20,0.33,0.38, 0.302778

Osmanthus fragrans Lour. - sweet osmanthus 2343.png 0

0

Manglietia fordiana Oliv. - Ford Woodlotus 3247.png 7 1,2,3,5,6,7,8, 1.00,1.00,1.00,0.80,0.83,0.86,0.88, 0.909354

Citrus reticulata Blanco - tangerine 3602.png 6 1,2,3,5,6,7, 1.00,1.00,1.00,0.80,0.83,0.86, 0.915079

Koelreuteria paniculata Laxm. - goldenrain tree 1467.png 7 1,2,3,7,8,9,10, 1.00,1.00,1.00,0.57,0.63,0.67,0.70, 0.794728

Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2633.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1

Nerium oleander L. - oleander 2608.png 7 1,2,3,4,7,9,10, 1.00,1.00,1.00,1.00,0.71,0.67,0.70, 0.868707

Acer Palmatum - Japanese maple 1270.png 0

0

Phoebe nanmu (Oliv.) Gamble - Nanmu 1346.png 3 4,6,7, 0.25,0.33,0.43, 0.337302

Osmanthus fragrans Lour. - sweet osmanthus 2334.png 5 2,4,5,7,10, 0.50,0.50,0.60,0.57,0.50, 0.534286

Populus canadensis Moench - Canadian poplar 3505.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

69

Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1429.png 7 1,2,3,5,6,7,9, 1.00,1.00,1.00,0.80,0.83,0.86,0.78, 0.895465

Citrus reticulata Blanco - tangerine 3581.png 5 1,2,3,6,7, 1.00,1.00,1.00,0.67,0.71, 0.87619

Nerium oleander L. - oleander 2550.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2103.png 7 1,2,3,4,5,7,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.70, 0.936735

Chimonanthus praecox L. - wintersweet 2127.png 7 1,2,3,5,6,7,8, 1.00,1.00,1.00,0.80,0.83,0.86,0.88, 0.909354

Berberis anhweiensis Ahrendt - Anhui Barberry 1586.png 4 1,2,4,7, 1.00,1.00,0.75,0.57, 0.830357


Citrus reticulata Blanco - tangerine 3601.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phoebe nanmu (Oliv.) Gamble - Nanmu 1378.png 9 1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543



Berberis anhweiensis Ahrendt - Anhui Barberry 1555.png 3 3,4,5, 0.33,0.50,0.60, 0.477778

Ligustrum lucidum Ait. f. - Glossy Privet 3073.png 5 1,4,5,7,9, 1.00,0.50,0.60,0.57,0.56, 0.645397

Koelreuteria paniculata Laxm. - goldenrain tree 1438.png 2 7,10, 0.14,0.20, 0.171429


Cercis chinensis - Chinese redbud 1151.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


0

Ilex macrocarpa Oliv. - Big-fruited Holly 2045.png 3 6,8,10, 0.17,0.25,0.30, 0.238889

Ginkgo biloba L. - ginkgo, maidenhair tree 2443.png 7 1,2,3,4,6,8,10, 1.00,1.00,1.00,1.00,0.83,0.75,0.70, 0.897619

Magnolia grandiflora L - southern magnolia 3410.png 9 1,2,3,4,5,6,7,8,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.90, 0.988889

Magnolia grandiflora L - southern magnolia 3399.png 3 1,5,9, 1.00,0.40,0.33, 0.577778

Tonna sinensis M. Roem. - Chinese Toon 3157.png 8 1,2,3,4,5,6,8,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.80, 0.959375


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Aesculus chinensis - Chinese horse chestnut 1064.png 8 1,2,3,4,5,6,7,8, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Cedrus deodara (Roxb.) G. Don - deodar 2371.png 0

0

Ligustrum lucidum Ait. f. - Glossy Privet 3060.png 1 1, 1.00, 1

Nerium oleander L. - oleander 2582.png 8 1,3,4,5,7,8,9,10, 1.00,0.67,0.75,0.80,0.71,0.75,0.78,0.80, 0.782341


Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2658.png 7 1,2,4,5,6,8,10, 1.00,1.00,0.75,0.80,0.83,0.75,0.70, 0.833333

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3028.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Magnolia grandiflora L - southern magnolia 3427.png 6 1,2,3,4,5,7, 1.00,1.00,1.00,1.00,1.00,0.86, 0.97619


Mahonia bealei (Fortune) Carr - 3364.png 2 2,8, 0.50,0.25, 0.375

70

Beales barberry


Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2490.png 6 1,2,3,5,6,8, 1.00,1.00,1.00,0.80,0.83,0.75, 0.897222


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Ginkgo biloba L. - ginkgo, maidenhair tree 2438.png 6 1,2,3,8,9,10, 1.00,1.00,1.00,0.50,0.56,0.60, 0.775926


Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3526.png 4 1,2,5,6, 1.00,1.00,0.60,0.67, 0.816667

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2099.png 8 1,2,3,4,5,7,9,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.78,0.80, 0.929365

Chimonanthus praecox L. - wintersweet 2164.png 0

0

Viburnum awabuki K.Koch - Japan Arrowwood 2287.png 8 1,2,3,5,6,7,8,10, 1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.80, 0.895685

Osmanthus fragrans Lour. - sweet osmanthus 2319.png 3 1,2,8, 1.00,1.00,0.38, 0.791667


Cinnamomum japonicum Sieb. - Chinese cinnamon 1502.png 1 8, 0.13, 0.125

Prunus persica (L.) Batsch - peach 3210.png 3 2,6,7, 0.50,0.33,0.43, 0.420635

Phoebe nanmu (Oliv.) Gamble - Nanmu 1377.png 8 1,2,3,4,5,6,8,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.80, 0.959375

Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3515.png 6 1,2,5,7,9,10, 1.00,1.00,0.60,0.57,0.56,0.60, 0.721164

Cercis chinensis - Chinese redbud 1125.png 9 1,2,3,4,5,6,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654

Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3514.png 2 2,4, 0.50,0.50, 0.5

Aesculus chinensis - Chinese horse chestnut 1119.png 2 1,7, 1.00,0.29, 0.642857


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Viburnum awabuki K.Koch - Japan Arrowwood 2274.png 6 1,3,5,6,7,10, 1.00,0.67,0.60,0.67,0.71,0.60, 0.707937


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1018.png 4 1,3,4,6, 1.00,0.67,0.75,0.67, 0.770833


Cercis chinensis - Chinese redbud 1141.png 8 1,2,4,5,6,8,9,10, 1.00,1.00,0.75,0.80,0.83,0.75,0.78,0.80, 0.838889


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Indigofera tinctoria L. - Japanese maple 1242.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Ginkgo biloba L. - ginkgo, maidenhair tree 2424.png 4 1,2,3,6, 1.00,1.00,1.00,0.67, 0.916667

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1046.png 3 1,2,3, 1.00,1.00,1.00, 1

Aesculus chinensis - Chinese horse chestnut 1066.png 2 5,7, 0.20,0.29, 0.242857

Prunus serrulata Lindl. var. 3005.png 9 1,2,3,4,5,6,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.9 0.962654

71

lannesiana auct. - Japanese Flowering Cherry

0,

Tonna sinensis M. Roem. - Chinese Toon 3166.png 5 1,6,7,8,10, 1.00,0.33,0.43,0.50,0.50, 0.552381

Phoebe nanmu (Oliv.) Gamble - Nanmu 1338.png 5 1,3,5,6,10, 1.00,0.67,0.60,0.67,0.50, 0.686667

Aesculus chinensis - Chinese horse chestnut 1114.png 7 1,2,3,4,5,6,7, 1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Viburnum awabuki K.Koch - Japan Arrowwood 2284.png 2 5,8, 0.20,0.25, 0.225


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Berberis anhweiensis Ahrendt - Anhui Barberry 1587.png 7 1,2,3,4,6,7,10, 1.00,1.00,1.00,1.00,0.83,0.86,0.70, 0.912925


0

Osmanthus fragrans Lour. - sweet osmanthus 2305.png 6 2,3,4,6,7,9, 0.50,0.67,0.75,0.67,0.71,0.67, 0.660714



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2094.png 6 1,2,3,8,9,10, 1.00,1.00,1.00,0.50,0.56,0.60, 0.775926


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1400.png 8 1,3,4,5,7,8,9,10, 1.00,0.67,0.75,0.80,0.71,0.75,0.78,0.80, 0.782341

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2517.png 4 1,4,7,10, 1.00,0.50,0.43,0.40, 0.582143

Nerium oleander L. - oleander 2570.png 7 1,2,3,4,7,8,10, 1.00,1.00,1.00,1.00,0.71,0.75,0.70, 0.880612


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



Koelreuteria paniculata Laxm. - goldenrain tree 1449.png 5 1,3,4,5,8, 1.00,0.67,0.75,0.80,0.63, 0.768333

Ilex macrocarpa Oliv. - Big-fruited Holly 2025.png 9 1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654

Cinnamomum camphora (L.) J. Presl - camphortree 2224.png 5 1,2,3,4,9, 1.00,1.00,1.00,1.00,0.56, 0.911111

Ginkgo biloba L. - ginkgo, maidenhair tree 2483.png 5 1,3,7,8,10, 1.00,0.67,0.43,0.50,0.50, 0.619048




Berberis anhweiensis Ahrendt - Anhui Barberry 1558.png 9 1,2,3,4,5,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781


0

Manglietia fordiana Oliv. - Ford Woodlotus 3244.png 9 1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654

Viburnum awabuki K.Koch - Japan Arrowwood 2239.png 1 1, 1.00, 1

Cinnamomum camphora (L.) J. Presl - camphortree 2180.png 1 8, 0.13, 0.125


0

Cinnamomum camphora (L.) J. Presl - camphortree 2199.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

72

Koelreuteria paniculata Laxm. - goldenrain tree 1458.png 0

0

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1006.png 3 2,6,7, 0.50,0.33,0.43, 0.420635

Citrus reticulata Blanco - tangerine 3605.png 2 1,5, 1.00,0.40, 0.7


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2074.png 4 1,2,6,8, 1.00,1.00,0.50,0.50, 0.75


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phoebe nanmu (Oliv.) Gamble - Nanmu 1332.png 4 1,2,3,4, 1.00,1.00,1.00,1.00, 1

Ligustrum lucidum Ait. f. - Glossy Privet 3109.png 6 1,2,3,5,6,8, 1.00,1.00,1.00,0.80,0.83,0.75, 0.897222

Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1394.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Magnolia grandiflora L - southern magnolia 3420.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Aesculus chinensis - Chinese horse chestnut 1086.png 5 1,3,5,8,9, 1.00,0.67,0.60,0.50,0.56, 0.664444

Manglietia fordiana Oliv. - Ford Woodlotus 3230.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1



Koelreuteria paniculata Laxm. - goldenrain tree 1457.png 5 1,2,3,4,8, 1.00,1.00,1.00,1.00,0.63, 0.925

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3015.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2666.png 9 1,2,3,4,5,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781

Berberis anhweiensis Ahrendt - Anhui Barberry 1565.png 3 2,3,7, 0.50,0.67,0.43, 0.531746

Cinnamomum camphora (L.) J. Presl - camphortree 2220.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2098.png 8 1,2,3,4,5,7,8,9, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Manglietia fordiana Oliv. - Ford Woodlotus 3265.png 3 1,3,8, 1.00,0.67,0.38, 0.680556

Cinnamomum japonicum Sieb. - Chinese cinnamon 1531.png 4 1,5,7,8, 1.00,0.40,0.43,0.50, 0.582143


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Aesculus chinensis - Chinese horse chestnut 1107.png 9 1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2543.png 0

0

73


Tonna sinensis M. Roem. - Chinese Toon 3147.png 2 2,5, 0.50,0.40, 0.45


0

Cinnamomum camphora (L.) J. Presl - camphortree 2204.png 5 1,3,4,6,9, 1.00,0.67,0.75,0.67,0.56, 0.727778


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3033.png 8 1,2,3,4,5,7,9,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.78,0.80, 0.929365

Viburnum awabuki K.Koch - Japan Arrowwood 2280.png 6 2,5,6,7,9,10, 0.50,0.40,0.50,0.57,0.56,0.60, 0.521164


0




Phoebe nanmu (Oliv.) Gamble - Nanmu 1375.png 7 1,2,3,4,5,8,10, 1.00,1.00,1.00,1.00,1.00,0.75,0.70, 0.921429

Magnolia grandiflora L - southern magnolia 3429.png 8 1,2,3,4,5,6,7,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.80, 0.975

Chimonanthus praecox L. - wintersweet 2163.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1040.png 5 1,2,5,8,10, 1.00,1.00,0.60,0.50,0.50, 0.72



Prunus persica (L.) Batsch - peach 3199.png 1 10, 0.10, 0.1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Osmanthus fragrans Lour. - sweet osmanthus 2338.png 7 1,2,3,4,5,7,8, 1.00,1.00,1.00,1.00,1.00,0.86,0.88, 0.961735


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2060.png 3 1,3,4, 1.00,0.67,0.75, 0.805556

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2536.png 1 1, 1.00, 1


Manglietia fordiana Oliv. - Ford Woodlotus 3239.png 8 1,2,3,4,5,7,8,9, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629


Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2537.png 5 1,3,4,5,8, 1.00,0.67,0.75,0.80,0.63, 0.768333

Aesculus chinensis - Chinese horse chestnut 1081.png 9 1,2,3,4,6,7,8,9,10,

1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263

Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3549.png 5 2,3,4,7,10, 0.50,0.67,0.75,0.57,0.50, 0.597619

Viburnum awabuki K.Koch - Japan Arrowwood 2262.png 5 1,2,3,7,8, 1.00,1.00,1.00,0.57,0.63, 0.839286

Phoebe nanmu (Oliv.) Gamble - Nanmu 1359.png 0

0

74



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3030.png 3 1,2,10, 1.00,1.00,0.30, 0.766667


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Nerium oleander L. - oleander 2604.png 9 1,2,3,4,5,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781

Berberis anhweiensis Ahrendt - Anhui Barberry 1576.png 9 1,3,4,5,6,7,8,9,10,

1.00,0.67,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.841226


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Acer buergerianum Miq - trident maple 3283.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Citrus reticulata Blanco - tangerine 3604.png 9 1,2,3,4,5,6,7,8,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Chimonanthus praecox L. - wintersweet 2121.png 7 1,3,4,5,6,7,9, 1.00,0.67,0.75,0.80,0.83,0.86,0.78, 0.812132


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


0


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Tonna sinensis M. Roem. - Chinese Toon 3158.png 9 1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



Acer buergerianum Miq - trident maple 3332.png 2 1,8, 1.00,0.25, 0.625



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1051.png 5 1,2,4,6,7, 1.00,1.00,0.75,0.67,0.71, 0.82619


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1




1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Phoebe nanmu (Oliv.) Gamble - Nanmu 1355.png 4 1,2,5,7, 1.00,1.00,0.60,0.57, 0.792857


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781

75


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1





Ligustrum lucidum Ait. f. - Glossy Privet 3100.png 3 2,3,5, 0.50,0.67,0.60, 0.588889


Ginkgo biloba L. - ginkgo, maidenhair tree 2463.png 9 1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2627.png 8 1,3,4,5,6,7,9,10, 1.00,0.67,0.75,0.80,0.83,0.86,0.78,0.80, 0.810615


Cinnamomum camphora (L.) J. Presl - camphortree 2181.png 0

0


Ginkgo biloba L. - ginkgo, maidenhair tree 2426.png 3 1,2,3, 1.00,1.00,1.00, 1



1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041

Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2664.png 6 1,2,3,5,6,9, 1.00,1.00,1.00,0.80,0.83,0.67, 0.883333

Tonna sinensis M. Roem. - Chinese Toon 3150.png 2 2,6, 0.50,0.33, 0.416667


Chimonanthus praecox L. - wintersweet 2130.png 8 1,2,3,4,5,8,9,10, 1.00,1.00,1.00,1.00,1.00,0.75,0.78,0.80, 0.915972

Ginkgo biloba L. - ginkgo, maidenhair tree 2432.png 0

0



0


Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3013.png 8 1,2,4,5,6,8,9,10, 1.00,1.00,0.75,0.80,0.83,0.75,0.78,0.80, 0.838889



Aesculus chinensis - Chinese horse chestnut 1082.png 6 1,2,4,6,7,9, 1.00,1.00,0.75,0.67,0.71,0.67, 0.799603



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



76




Cinnamomum japonicum Sieb. - Chinese cinnamon 1536.png 2 1,4, 1.00,0.50, 0.75

Manglietia fordiana Oliv. - Ford Woodlotus 3274.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Ligustrum lucidum Ait. f. - Glossy Privet 3066.png 7 1,2,3,4,5,6,8, 1.00,1.00,1.00,1.00,1.00,1.00,0.88, 0.982143

Berberis anhweiensis Ahrendt - Anhui Barberry 1581.png 6 1,2,3,4,5,8, 1.00,1.00,1.00,1.00,1.00,0.75, 0.958333



Phoebe nanmu (Oliv.) Gamble - Nanmu 1363.png 6 1,2,3,5,8,9, 1.00,1.00,1.00,0.80,0.63,0.67, 0.848611

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3017.png 0

0


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3529.png 0

0

Mahonia bealei (Fortune) Carr - Beales barberry 3378.png 8 1,2,3,4,6,7,8,10, 1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.80, 0.920685


0


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1




1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Osmanthus fragrans Lour. - sweet osmanthus 2307.png 1 3, 0.33, 0.333333


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Manglietia fordiana Oliv. - Ford Woodlotus 3262.png 2 2,3, 0.50,0.67, 0.583333


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

77

B. Hasil Uji Coba Sekenario I (MARCH 10 Peringkat Hasil)

Nama Spesies File Uji v Index v Precission Average

Precission

Ilex macrocarpa Oliv. - Big-fruited Holly 2044.png 0

0

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2513.png 1 5, 0.20, 0.2



0

Cinnamomum camphora (L.) J. Presl - camphortree 2193.png 6 2,3,5,7,9,10, 0.50,0.67,0.60,0.57,0.56,0.60, 0.582275

Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2642.png 9

1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654




Acer Palmatum - Japanese maple 1323.png 1 3, 0.33, 0.333333



Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2521.png 7 1,2,3,4,6,7,8, 1.00,1.00,1.00,1.00,0.83,0.86,0.88, 0.937925

Ligustrum lucidum Ait. f. - Glossy Privet 3107.png 2 2,8, 0.50,0.25, 0.375

Cinnamomum japonicum Sieb. - Chinese cinnamon 1508.png 2 6,8, 0.17,0.25, 0.208333


Osmanthus fragrans Lour. - sweet osmanthus 2345.png 0

0

Acer Palmatum - Japanese maple 1273.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111



1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



Citrus reticulata Blanco - tangerine 3600.png 5 2,4,6,7,10, 0.50,0.50,0.50,0.57,0.50, 0.514286

Acer buergerianum Miq - trident maple 3292.png 3 1,2,9, 1.00,1.00,0.33, 0.777778

Populus canadensis Moench - Canadian poplar 3468.png 9

1,2,3,4,6,7,8,9,10,

1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263

Cinnamomum camphora (L.) J. Presl - camphortree 2171.png 2 5,10, 0.20,0.20, 0.2

Mahonia bealei (Fortune) Carr - Beales barberry 3353.png 4 2,5,9,10, 0.50,0.40,0.33,0.40, 0.408333


Citrus reticulata Blanco - tangerine 3614.png 7 1,2,6,7,8,9,10, 1.00,1.00,0.50,0.57,0.63,0.67,0.70, 0.723299


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

78

Ginkgo biloba L. - ginkgo, maidenhair tree 2454.png 3 1,2,8, 1.00,1.00,0.38, 0.791667

Cercis chinensis - Chinese redbud 1128.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Mahonia bealei (Fortune) Carr - Beales barberry 3341.png 1 1, 1.00, 1


0



1,3,4,5,6,7,8,9,10,

1.00,0.67,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.841226




1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Koelreuteria paniculata Laxm. - goldenrain tree 1477.png 8 1,2,3,4,5,7,8,9,

1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629

Koelreuteria paniculata Laxm. - goldenrain tree 1452.png 7 1,3,4,5,6,8,10, 1.00,0.67,0.75,0.80,0.83,0.75,0.70, 0.785714


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



Koelreuteria paniculata Laxm. - goldenrain tree 1470.png 2 1,9, 1.00,0.22, 0.611111

Chimonanthus praecox L. - wintersweet 2160.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111


Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3562.png 6 1,2,3,6,8,10, 1.00,1.00,1.00,0.67,0.63,0.60, 0.815278



Manglietia fordiana Oliv. - Ford Woodlotus 3247.png 4 1,2,3,6, 1.00,1.00,1.00,0.67, 0.916667

Citrus reticulata Blanco - tangerine 3602.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1,2,3,4,6,7,9,10,

1.00,1.00,1.00,1.00,0.83,0.86,0.78,0.80, 0.908532


1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Nerium oleander L. - oleander 2608.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Acer Palmatum - Japanese maple 1270.png 2 1,3, 1.00,0.67, 0.833333



Populus canadensis Moench - Canadian poplar 3505.png 2 8,10, 0.13,0.20, 0.1625

Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1429.png 6 1,2,4,5,6,9, 1.00,1.00,0.75,0.80,0.83,0.67, 0.841667

Citrus reticulata Blanco - tangerine 3581.png 9 1,2,3,4,6,7,8,9,10,

1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263

Nerium oleander L. - oleander 2550.png 9 1,2,3,5,6,7,8,9,10,

1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2103.png 4 1,2,5,6, 1.00,1.00,0.60,0.67, 0.816667

Chimonanthus praecox L. - wintersweet 2127.png 5 1,4,5,6,7, 1.00,0.50,0.60,0.67,0.71, 0.69619

79

Berberis anhweiensis Ahrendt - Anhui Barberry 1586.png 8 1,2,3,4,5,6,7,8,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phoebe nanmu (Oliv.) Gamble - Nanmu 1378.png 9 1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654

Cinnamomum camphora (L.) J. Presl - camphortree 2194.png 1 5, 0.20, 0.2

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1012.png 9

1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654

Berberis anhweiensis Ahrendt - Anhui Barberry 1555.png 6 1,3,4,5,6,7, 1.00,0.67,0.75,0.80,0.83,0.86, 0.817857

Ligustrum lucidum Ait. f. - Glossy Privet 3073.png 2 3,8, 0.33,0.25, 0.291667


1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543


Cercis chinensis - Chinese redbud 1151.png 9 1,2,3,4,5,6,7,8,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1,2,3,4,5,7,9,10,

1.00,1.00,1.00,1.00,1.00,0.86,0.78,0.80, 0.929365

Ilex macrocarpa Oliv. - Big-fruited Holly 2045.png 0

0

Ginkgo biloba L. - ginkgo, maidenhair tree 2443.png 2 1,4, 1.00,0.50, 0.75

Magnolia grandiflora L - southern magnolia 3410.png 4 1,2,3,4, 1.00,1.00,1.00,1.00, 1


Tonna sinensis M. Roem. - Chinese Toon 3157.png 4 1,4,8,10, 1.00,0.50,0.38,0.40, 0.56875

Mahonia bealei (Fortune) Carr - Beales barberry 3385.png 9

1,2,3,4,5,6,7,8,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Nerium oleander L. - oleander 2582.png 6 1,2,3,5,9,10, 1.00,1.00,1.00,0.80,0.56,0.60, 0.825926


Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2658.png 6 1,3,4,6,7,9, 1.00,0.67,0.75,0.67,0.71,0.67, 0.744048

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3028.png 9

1,2,3,4,5,6,7,8,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.90, 0.988889

Magnolia grandiflora L - southern magnolia 3427.png 10

1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Mahonia bealei (Fortune) Carr - Beales barberry 3364.png 1 4, 0.25, 0.25

Manglietia fordiana Oliv. - Ford Woodlotus 3242.png 5 2,3,5,6,10, 0.50,0.67,0.60,0.67,0.50, 0.586667



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543


Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3526.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1

80

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2099.png 8 1,2,3,4,5,6,7,8,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Chimonanthus praecox L. - wintersweet 2164.png 3 1,4,6, 1.00,0.50,0.50, 0.666667


1,2,4,5,6,7,8,10,

1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.80, 0.864435



1,2,3,5,6,7,8,9,10,

1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041

Cinnamomum japonicum Sieb. - Chinese cinnamon 1502.png 0

0

Prunus persica (L.) Batsch - peach 3210.png 4 1,3,5,7, 1.00,0.67,0.60,0.57, 0.709524

Phoebe nanmu (Oliv.) Gamble - Nanmu 1377.png 10 1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Aesculus chinensis - Chinese horse chestnut 1119.png 0

0


1,2,3,4,5,6,7,8,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Mahonia bealei (Fortune) Carr - Beales barberry 3381.png 7 1,3,4,5,6,7,8, 1.00,0.67,0.75,0.80,0.83,0.86,0.88, 0.82602

Ilex macrocarpa Oliv. - Big-fruited Holly 2035.png 1 1, 1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1018.png 7 1,2,3,4,5,8,9, 1.00,1.00,1.00,1.00,1.00,0.75,0.78, 0.93254

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2532.png 0

0


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


0



Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3005.png 7 1,2,4,5,6,7,10, 1.00,1.00,0.75,0.80,0.83,0.86,0.70, 0.848639





Mahonia bealei (Fortune) Carr - Beales barberry 3346.png 5 1,5,6,7,9, 1.00,0.40,0.50,0.57,0.56, 0.605397


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


81


Citrus reticulata Blanco - tangerine 3618.png 8 1,2,3,4,5,6,8,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.80, 0.959375

Populus canadensis Moench - Canadian poplar 3487.png 5 1,3,7,8,10, 1.00,0.67,0.43,0.50,0.50, 0.619048

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2094.png 3 1,2,3, 1.00,1.00,1.00, 1



1,2,4,5,6,7,8,9,10,

1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.878263



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Berberis anhweiensis Ahrendt - Anhui Barberry 1589.png 9

1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543


1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543

Koelreuteria paniculata Laxm. - goldenrain tree 1449.png 6 1,2,3,6,7,10, 1.00,1.00,1.00,0.67,0.71,0.60, 0.830159

Ilex macrocarpa Oliv. - Big-fruited Holly 2025.png 6 1,3,4,5,6,9, 1.00,0.67,0.75,0.80,0.83,0.67, 0.786111


0

Ginkgo biloba L. - ginkgo, maidenhair tree 2483.png 4 1,2,3,6, 1.00,1.00,1.00,0.67, 0.916667

Acer Palmatum - Japanese maple 1307.png 0

0


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1,2,3,4,5,6,7,8,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



0


Viburnum awabuki K.Koch - Japan Arrowwood 2239.png 4 2,5,6,7, 0.50,0.40,0.50,0.57, 0.492857


0


0

Cinnamomum camphora (L.) J. Presl - camphortree 2199.png 3 1,4,8, 1.00,0.50,0.38, 0.625


0



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Populus canadensis Moench - Canadian poplar 3501.png 8 1,2,3,5,6,7,8,9,

1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89, 0.906796

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2074.png 3 1,2,3, 1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Ligustrum lucidum Ait. f. - Glossy Privet 3109.png 4 1,5,9,10, 1.00,0.40,0.33,0.40, 0.533333

Kalopanax septemlobus (Thunb. ex 1394.png 10 1,2,3,4,5,6,7,8, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00 1

82

A.Murr.) Koidz. - castor aralia 9,10, ,1.00,1.00,

Magnolia grandiflora L - southern magnolia 3420.png 9

1,2,3,5,6,7,8,9,10,

1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Aesculus chinensis - Chinese horse chestnut 1086.png 1 9, 0.11, 0.111111


Cinnamomum japonicum Sieb. - Chinese cinnamon 1545.png 1 9, 0.11, 0.111111

Aesculus chinensis - Chinese horse chestnut 1079.png 0

0


0

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3015.png 5 1,2,3,6,7, 1.00,1.00,1.00,0.67,0.71, 0.87619


1,2,3,4,7,8,9,10,

1.00,1.00,1.00,1.00,0.71,0.75,0.78,0.80, 0.880258


1,2,5,6,7,8,9,10,

1.00,1.00,0.60,0.67,0.71,0.75,0.78,0.80, 0.788591



1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654


1,2,3,4,5,6,7,8,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Cinnamomum japonicum Sieb. - Chinese cinnamon 1531.png 0

0


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Magnolia grandiflora L - southern magnolia 3432.png 7 1,2,3,4,5,8,9, 1.00,1.00,1.00,1.00,1.00,0.75,0.78, 0.93254




1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Acer Palmatum - Japanese maple 1287.png 5 1,2,3,5,6, 1.00,1.00,1.00,0.80,0.83, 0.926667

Tonna sinensis M. Roem. - Chinese Toon 3147.png 0

0


0

Cinnamomum camphora (L.) J. Presl - camphortree 2204.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3033.png 2 7,8, 0.14,0.25, 0.196429


1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


0


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Osmanthus fragrans Lour. - sweet 2325.png 5 1,2,3,6,9, 1.00,1.00,1.00,0.67,0.56, 0.844444

83

osmanthus


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Magnolia grandiflora L - southern magnolia 3429.png 6 1,2,6,7,8,9, 1.00,1.00,0.50,0.57,0.63,0.67, 0.727183

Chimonanthus praecox L. - wintersweet 2163.png 2 8,10, 0.13,0.20, 0.1625


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1040.png 1 1, 1.00, 1

Ligustrum lucidum Ait. f. - Glossy Privet 3108.png 4 2,4,7,8, 0.50,0.50,0.43,0.50, 0.482143


Prunus persica (L.) Batsch - peach 3199.png 8 1,2,3,4,6,8,9,10,

1.00,1.00,1.00,1.00,0.83,0.75,0.78,0.80, 0.895139

Populus canadensis Moench - Canadian poplar 3454.png 8 1,2,3,4,5,6,7,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111



Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2060.png 8 1,2,3,4,5,7,8,9,

1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2536.png 2 1,10, 1.00,0.20, 0.6





Aesculus chinensis - Chinese horse chestnut 1081.png 1 3, 0.33, 0.333333

Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3549.png 3 2,7,10, 0.50,0.29,0.30, 0.361905


Phoebe nanmu (Oliv.) Gamble - Nanmu 1359.png 0

0



1,2,3,4,6,7,8,9,10,

1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543

Berberis anhweiensis Ahrendt - Anhui Barberry 1576.png 5 1,2,5,7,8, 1.00,1.00,0.60,0.57,0.63, 0.759286


1,2,3,4,5,6,7,8,9,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Chimonanthus praecox L. - wintersweet 2121.png 6 2,3,5,6,8,10, 0.50,0.67,0.60,0.67,0.63,0.60, 0.609722


1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

84

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2104.png 2 6,9, 0.17,0.22, 0.194444


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Acer Palmatum - Japanese maple 1304.png 6 1,2,5,6,7,8, 1.00,1.00,0.60,0.67,0.71,0.75, 0.788492

Ilex macrocarpa Oliv. - Big-fruited Holly 2031.png 5 3,5,6,7,9, 0.33,0.40,0.50,0.57,0.56, 0.472063

Acer buergerianum Miq - trident maple 3332.png 1 1, 1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Ilex macrocarpa Oliv. - Big-fruited Holly 2037.png 4 2,6,7,8, 0.50,0.33,0.43,0.50, 0.440476



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Acer Palmatum - Japanese maple 1303.png 7 1,2,3,4,5,6,8, 1.00,1.00,1.00,1.00,1.00,1.00,0.88, 0.982143


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


Phoebe nanmu (Oliv.) Gamble - Nanmu 1355.png 5 1,5,7,9,10, 1.00,0.40,0.43,0.44,0.50, 0.554603


0


Populus canadensis Moench - Canadian poplar 3476.png 6 1,2,3,4,6,7, 1.00,1.00,1.00,1.00,0.83,0.86, 0.948413


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Osmanthus fragrans Lour. - sweet osmanthus 2339.png 2 1,2, 1.00,1.00, 1

Tonna sinensis M. Roem. - Chinese Toon 3119.png 7 1,2,3,7,8,9,10, 1.00,1.00,1.00,0.57,0.63,0.67,0.70, 0.794728


0

Tonna sinensis M. Roem. - Chinese Toon 3141.png 3 2,4,5, 0.50,0.50,0.60, 0.533333



1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543


1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



0



0

85

Cercis chinensis - Chinese redbud 1155.png 7 1,2,3,4,5,8,10, 1.00,1.00,1.00,1.00,1.00,0.75,0.70, 0.921429


Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2664.png 3 1,8,9, 1.00,0.25,0.33, 0.527778



1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Chimonanthus praecox L. - wintersweet 2130.png 6 2,3,4,5,9,10, 0.50,0.67,0.75,0.80,0.56,0.60, 0.64537

Ginkgo biloba L. - ginkgo, maidenhair tree 2432.png 1 4, 0.25, 0.25



0

Tonna sinensis M. Roem. - Chinese Toon 3143.png 3 1,2,3, 1.00,1.00,1.00, 1

Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3013.png 7 1,2,3,4,5,7,8, 1.00,1.00,1.00,1.00,1.00,0.86,0.88, 0.961735


1,2,3,4,5,6,7,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543

Ilex macrocarpa Oliv. - Big-fruited Holly 2038.png 2 5,9, 0.20,0.22, 0.211111

Aesculus chinensis - Chinese horse chestnut 1082.png 3 2,8,9, 0.50,0.25,0.33, 0.361111


Manglietia fordiana Oliv. - Ford Woodlotus 3263.png 8 1,2,3,5,6,7,8,9,

1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89, 0.906796


1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781

Manglietia fordiana Oliv. - Ford Woodlotus 3246.png 2 5,8, 0.20,0.25, 0.225

Prunus persica (L.) Batsch - peach 3186.png 1 3, 0.33, 0.333333


1,2,3,4,5,6,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654

Nerium oleander L. - oleander 2553.png 2 2,4, 0.50,0.50, 0.5




1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2509.png 3 1,2,3, 1.00,1.00,1.00, 1

Ligustrum lucidum Ait. f. - Glossy Privet 3066.png 8 1,2,4,5,6,7,8,10,

1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.80, 0.864435

Berberis anhweiensis Ahrendt - Anhui Barberry 1581.png 1 9, 0.11, 0.111111


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3017.png 5 2,6,7,8,9, 0.50,0.33,0.43,0.50,0.56, 0.463492

Acer buergerianum Miq - trident maple 3309.png 7 1,2,3,4,5,7,9, 1.00,1.00,1.00,1.00,1.00,0.86,0.78, 0.947846

Viburnum awabuki K.Koch - Japan Arrowwood 2245.png 3 7,8,9, 0.14,0.25,0.33, 0.242063


Ilex macrocarpa Oliv. - Big-fruited Holly 2013.png 2 1,4, 1.00,0.50, 0.75

86


Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3529.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1

Mahonia bealei (Fortune) Carr - Beales barberry 3378.png 3 3,7,10, 0.33,0.29,0.30, 0.306349

Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2058.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1

Mahonia bealei (Fortune) Carr - Beales barberry 3375.png 6 1,2,4,5,6,7, 1.00,1.00,0.75,0.80,0.83,0.86, 0.873413




1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1



Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1021.png 10

1,2,3,4,5,6,7,8,9,10,

1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

Prunus persica (L.) Batsch - peach 3219.png 6 1,2,3,4,6,7, 1.00,1.00,1.00,1.00,0.83,0.86, 0.948413

Manglietia fordiana Oliv. - Ford Woodlotus 3262.png 6 2,3,5,7,8,9, 0.50,0.67,0.60,0.57,0.63,0.67, 0.60496


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1


1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1

63

DAFTAR PUSTAKA

Abbasi, S, F. Mokhtarian, J. Kittler, (1997), Reliable classification of

chrysanthemum leaves through curvature scale space, Lect. Notes

Comput. Sci. 1252, Pages 284–295

Arifin, A.Z, B. Bagus , D. A. Navastara, (2010), Tugas Akhir Jurusan Teknik

Informatika dengan Judul: Klasifikasi Online Citra Daun berdasarkan

Fitur Bentuk dan Ruas Daun. Surabaya, Indonesia: Institut Teknologi

Sepuluh Nopember.

Du, J.X, X.F. Wang, G.J. Zhang, (2007), Leaf shape based plant species

recognition, Appl. Math. Comput. 185, Pages 883–893

Elliott, D. F, 1987, Handbook of Digital Signal Processing, Engineering

Applications, Academic Press Inc

Encyclopædia Britannica Online, (2015), leaf, accessed MARCH 18,

http://www.britannica.com/EBchecked/topic/333709/leaf.

Gualtieri, P., L. Barsanti, P. Coltelli, 1985, Computer processing of optical

microscope images, Micron and Microscopica Acta, Volume 16, Issue 3,

Pages 159-172

Jamaluddin, M., N. Suciati, A.Y. Wiajaya, (2011), Implementasi Temu Kembali

Citra Tekstur Menggunakan Rotated Wavelet Filter, Teknik Informatika,

Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember

Lee, C.L., S.Y. Chen, (2003), Classification for leaf images, in: Proc. 16th IPPR

Conf. Comput. Vision Graphics Image, Process, Pages 355–362

Lyons, R. G., 2004, Understanding Digital Signal Processing, Prentice-Hall.

Nosrati, M., R. Karimi, H.A. Hasanvand, (2012), Mobile Computing : Principles,

Devices and Operating Systems, World Applied Programming. Vol (2).

Issue (7).

Park, J. K., Hwang. E. J, and Nam. Y., (2006), A vention – based leaf image

classification scheme, Alliance of Information and Referral Systems,

Pages 416-428

http://www.britannica.com/EBchecked/topic/333709/leaf

64

Pedro, J. T., X. Qi, M. Jiang, (2009), Computational Geometry of Contour ,

CCCG 2009, Vancouver

Putra, D., 2010, Pengolahan Citra Digital, Andi, Yogyakarta

Skalansky, J., (1982), Finding the convex hull of a simple polygon, Pattern

Recognition Letters 1 79-83

Wang, B. , D. Brown, Y. Gao, J.L. Salle , (2015), MARCH: Multiscale-arch-

height description for mobile retrieval of leaf images, journal Information

Sciences volume 302, Volume 302, Pages 132–148

Wang, J.W., X. Bai, X.G. You, W.Y. Liu, L.J. Latecki, (2012), Shape matching

and classification using height functions, Pattern Recogn. Lett. Pages 134–

143

Wahyumianto, A., I. K. E. Purnama, Christyowidiasmoro, Tugas Akhir Jurusan

Teknik Informatika dengan Judul: Identifikasi Tumbuhan Berdasarkan

MinutiaeTulang Daun Menggunakan SOM Kohonen. Surabaya,

Indonesia: Institut Teknologi Sepuluh Nopember.

Wang, X.F., D.S. Huang, J.X. Du, H. Xu, L. Heutte, (2008), Classification of

plant leaf images with complicated background, Appl. Math. Comput. 205

, Pages 916–926.

Zheng, X., (2010) Leaf Vein Extraction Based on Gray-scale Morphology, I.J. Image,

Graphics and Signal Processing,2, Pages 25-31

http://www.sciencedirect.com/science/journal/00200255

http://www.sciencedirect.com/science/journal/00200255

http://www.sciencedirect.com/science/journal/00200255/302/supp/C

65

BIODATA PENULIS

Mirza Galih Kurniawan lahir di Pasuruan pada tanggal 19 Maret

1988. Penulis telah menempuh pendidikan mulai dari SDN 1

Martopuro (1994-2000), SMPN 1 Purwosari (2000-2003), SMAN

1 Lawang (2003-2006), S1 Universitas Brawijaya (2006-2011),

dan pada tahun 2012 penulis meneruskan pendidikan Magister di

Teknik Informatika ITS. Setelah lulus S1 penulis bekerja sebagai

software developer pada bagian Web di perusahaan swasta. Kemudian

mendapatkan kesempatan untuk melanjutkan S2 di Teknik Informatika ITS.

Dalam perkuliahan, penulis mengambil bidang minat Komputasi Cerdas dan

Visualisasi (KCV) dan tertarik pada hal yang berhubungan dengan Information

Retrieval, CBIR, dan Software Engineering.

repository.its.ac.idrepository.its.ac.id/48921/1/5112201002-undergraduate... · 2017. 10. 5. · xi...

Documents